Modèles de clustering temporel pour la fouille d'opinion dans les médias sociaux

Les modèles graphiques probabilistes sont devenus très populaires pour traiter les problèmes de classification automatique. Dans cet exposé, je présenterai les travaux réalisés récemment au laboratoire ERIC pour deux problèmes différents de classification non supervisée. Le premier problème que nous avons attaqué s'inspire de modèles de topic modeling pour capturer conjointement l'évolution des thématiques et des opinions exprimées dans un flux de textes. Les résultats obtenus sur des reviews d'Amazon et des articles de presse montrent que notre modèle capture mieux la dynamique globale des opinions. Pour le deuxième problème, nous adaptons un modèle de mélanges au cas temporel afin de trouver un compromis entre la fidélité du modèle au données présentes et un lissage avec les données de la période précédente. Les premiers résultats ont été obtenus dans le cadre du projet ImagiWeb qui vise à extraire l'image "de marque" d'entités et à la suivre dans le temps. Je terminerai en donnant quelques pistes sur la question de l'interprétabilité des catégories obtenues et de leur évolution.