• Corpus ID: 188009581

LIRMM@DEFT-2018 – Modèle de classification de la vectorisation des documents (LIRMM DEFT-2018 – Document Vectorization Classification model )

@inproceedings{Azmy2018LIRMMDEFT2018M,
  title={LIRMM@DEFT-2018 – Mod{\`e}le de classification de la vectorisation des documents (LIRMM DEFT-2018 – Document Vectorization Classification model )},
  author={Waleed M. Azmy and Bilel Moulahi and Sandra Bringay and Maximilien Servajean},
  booktitle={JEPTALNRECITAL},
  year={2018}
}
Dans ce papier, nous décrivons notre participation au défi d’analyse de texte DEFT 2018. Nous avons participé à deux tâches : (i) classification transport/non-transport et (ii) analyse de polarité globale des tweets : positifs, negatifs, neutres et mixtes. Nous avons exploité un réseau de neurone basé sur un perceptron multicouche mais utilisant une seule couche cachée. 
1 Citations

Tables from this paper

DEFT2018 : recherche d’information et analyse de sentiments dans des tweets concernant les transports en Île de France (DEFT2018 : Information Retrieval and Sentiment Analysis in Tweets about Public Transportation in Île de France Region )
TLDR
Quatre tâches ont été proposées : identifier les tweets sur la thématique des transports, puis parmi ces derniers, identifier la polarité (négatif, neutre, positif, mixte), identifier les marqueurs de sentiment and the cible, and enfin, annoter complètement chaque tweet en source and cible des sentiments exprimés.