1. Introduction
Récemment, avec l’évolution des médias sociaux, il y a une forte demande de la part des marques et des industries d’analyser automatiquement les commentaires des clients sur leurs produits afin qu’ils puissent savoir comment les consommateurs perçoivent leurs produits ainsi que ceux de leurs concurrents. Cette information de sentiment est non seulement utile pour le marketing et l’étalonnage des produits, mais aussi utile pour la conception de produits et le développement de produits [Liu, 2008].
L’extraction des opinions ou des sentiments depuis le texte peut être définie comme l’analyse des sentiments ou la fouille des opinions. La tâche reçoit des textes bruts abordant des marques ou des produits comme entrées et comme sorties génère des informations de sentiment, qui présentent des opinions de l’auteur, des commentaires, et l’évaluation d’une marque spécifique, d’un produit, ou sur les caractéristiques de produits. Généralement, nous devons déterminer si le sentiment est positif, négatif ou neutre.
Bien que la recherche dans ce domaine pour l’anglais a été beaucoup développée, il y a un peu de travail pour le vietnamien. Cela nous a motivés à construire un système d’analyse de sentiment pour les textes en vietnamien.
2. Recherche
Nous nous concentrons maintenant sur deux niveaux d’analyse de sentiment: (1) niveau de phrase, et (2) niveau d’entité et d’aspect. La tâche au niveau de phrase va à des phrases et détermine que chaque phrase a exprimé une opinion positive, négative ou neutre. Cependant, l’analyse au niveau de phrase ne découvre pas exactement ce que les gens aiment ou n’aiment pas, ce qui est une motivation pour la tâche au niveau d’entité. La tâche observe directement le sentiment d’une opinion cible – une entité spécifique ou un aspect, par exemple, la qualité de l’appel et la durée de vie de la batterie d’un iPhone. Les utilisateurs finaux, comme un(e) analyste de marketing d’une marque, peuvent utiliser ces résultats pour tous les types d’analyses qualitatives ou quantitatives.
Référence:
[1] Bing Liu, Sentiment Analysis and Opinion Mining. 2012