Au-delà de la simple dichotomie positif-négatif, découvrez l'analyse de sentiments à base d'aspects

|

|

Le besoin
La solution
Ils peuvent vous aider

Le besoin

Classer la polarité des avis clients de manière fine

Notre système actuel permet de détecter la polarité d'un avis client sur le plan global. Cependant, il est fréquent que les clients veuillent se renseigner sur un aspect particulier d'un produit tel que le prix, la durée et la facilité d'utilisation, etc. Ce que nous cherchons aujourd'hui est donc un système capable de détecter, sur la base des avis clients existants, la polarité des sentiments de ces derniers à l'égard des différents aspects d'un produit.

L'intérêt de la mise en place d'un tel système est double :

  • Sur le plan de l'expérience utilisateur, cette solution permettra aux nouveaux clients de lire des avis classés par aspects, ce qui mènera à plus d'achats avec moins de retour d'articles parce que les clients seront mieux informés sur les caractéristiques d'articles qui les intéressent.
  • L'équipe d'analyse et le service R&D, en aval, seront capables de suivre les feedbacks des clients d'une manière ciblée.

La solution

Analyse de sentiments à base d'aspects

Polarité des avis clients, une information précieuse

L'analyse de sentiments est une solution d'analyse automatisée consistant à détecter la polarité d'un avis client à l'aide de l'intelligence artificielle (IA). C'est une solution relativement mature qui produit deux types d'outputs :

  • une catégorie de sentiment : positif, négatif ou neutre ;
  • une note allant en général de 0 à 5 : plus la note est élevée, plus le sentiment est positif.

Ce type d'informations sont capitales pour les entreprises de vente en ligne (e-commerce).

  • D'un côté, l'équipe d'analyse peut s'appuyer sur les retours des clients pour classer les produits de manière plus fine. S'il est vrai qu'il est possible d'utiliser le nombre d'achats comme indice de popularité, ce dernier ne dit rien sur les ressentis des clients après l'achat. Il se peut donc qu'un produit soit acheté par un grand nombre de clients grâce à un prix peu élevé, mais reçoive majoritairement des avis négatifs à cause de sa mauvaise qualité. Identifier rapidement ce type de produits est ainsi crucial avant que la réputation de la marque/entreprise soit compromise.
  • De l'autre côté, les avis clients existants peuvent guider les futurs clients dans leur achat. La polarité des avis, entre autres, offre des informations non contenues dans les présentations de produit officielles.

Cependant, l'analyse de sentiments, dans sa forme traditionnelle, reste une solution d'analyse globale. Or, les informations contenues dans les avis clients sont très riches et ne peuvent se résumer par une seule catégorie ou une seule note. Prix, facilité d'utilisation, durée, tant de dimensions sont exploitables lorsqu'il s'agit d'évaluer un produit. Une analyse automatique avec plus de granularité peut aussi améliorer l'expérience d'achat des clients de manière plus ciblée, car chaque client est intéressé par des aspects particuliers d'un produit. Certains sites proposent de "ventiler" l'avis sur ces différents aspects avec différentes zones de saisie, ce qui alourdit l'expérience utilisateur et risque au bout du compte de faire perdre des avis.

Analyse de sentiments à base d'aspects, une solution d'analyse plus fine

L'analyse de sentiments à base d'aspects (ASBA) est une solution d'analyse avancée et intéressante à plusieurs titres :

  • S'il est envisageable (mais non réaliste à grande échelle à cause du coût) d'étiqueter manuellement des avis clients comme positif, négatif ou neutre, il est quasiment impossible de passer manuellement au crible des milliers d'avis clients si l'on vise une analyse avec plus de granularité. Automatiser cette étape conduira ainsi à d'importantes économies en termes de main d'œuvre et de temps, ce qui permet au personnel d'analyse de se concentrer sur des tâches plus importantes.
  • L'automatisation de l'analyse mène également à une objectivité accrue. En effet, l'IA se montre souvent plus constante que l'humain dans des tâches de classification.
  • L'ASBA est un moyen de monitoring efficace pour connaître non seulement les atouts et les faiblesses principales d'un produit, mais aussi les répercussions des améliorations que propose le service R&D. Si le service après-vente a identifié, grâce à l'ASBA, un besoin particulier revendiqué par la majorité des clients, la même solution peut être utilisée pour s'assurer que les améliorations proposées par l'équipe R&D mènent à des feedbacks positifs sur l'aspect spécifique qui a suscité le plus de mécontentement.

Sur le plan technique, quelle différence avec l'analyse de sentiments traditionnelle ?

La principale différence entre l'analyse de sentiments globale et l'ASBA réside dans le fait que cette dernière nécessite deux étapes d'analyse distinctes : extraction d'aspects (caractéristiques de produits) et analyse de sentiments liés à chaque aspect. Les lecteurs intéressés sont invités à se référer à cette étude cas sur l'analyse des avis hôteliers pour mieux comprendre ces deux étapes dans un contexte applicatif.

En ce qui concerne l'extraction d'aspects, qui est un type particulier d'extraction d'information, il est à noter que comme beaucoup de solutions en IA, les premières méthodes sont basées sur des règles manuelles rédigées par des experts. Ces règles reposent sur des patrons linguistiques construits à partir des règles grammaticales ainsi que des dictionnaires lexicaux. L'élaboration de telles règles est coûteuse, sans parler du fait que ce type de systèmes sont particulièrement difficiles à maintenir.

Les méthodes ultérieures sont basées sont l'apprentissage supervisé et nécessitent de ce fait un corpus de textes pré-annoté. Dans un premier temps, un nombre d'aspects est défini. Par la suite, toute séquence de mots pertinente dans le texte est annotée en aspects. La tâche d'entraînement devient dès lors celle de l'étiquetage automatique de séquence de mots, une tâche où les méthodes à base de champs aléatoires conditionnels (CRF en anglais) sont particulièrement efficaces. Il est à noter que de récentes techniques, issues du Deep Learning, permettent de générer automatique des catégories d'aspects sans une terminologie pré-définie.

Sur le plan de l'analyse de sentiments liés à chaque aspect, il s'agit d'une tâche de classification classique où de nombreuses méthodes, aussi bien par règles que par apprentissage, sont applicables.

Points d'attention

L'analyse de sentiments à base d'aspects est une technique efficace pour améliorer l'expérience client des sites de vente en ligne. À la fois utile pour repérer les principales faiblesses des produits et monitorer les feedbacks des clients sur les améliorations qu'apporte le service R&D, cette technique est indispensable si l'équipe d'analyse aspire à extraire des informations contenues dans des avis clients à un niveau plus fin. Attention toutefois : la précision de ce type de systèmes est en général moins élevée par rapport à l'analyse de sentiments globale à cause de la complexité de la tâche.

Par Xiaoou Wang
Ingénieur-Chercheur en Traitement automatique des Langues (https://xiaoouwang.github.io/)

Ils peuvent vous aider

Demande de mise en relation concernant l'étude de cas Au-delà de la simple dichotomie positif-négatif, découvrez l’analyse de sentiments à base d’aspects
Veuillez recopier le texte ci-dessous afin de pouvoir envoyer votre message. Attention aux majuscules !
 
Synapse est expert en Intelligence Artificielle appliquée au texte. Notre raison d'être est d'accompagner nos clients dans la transmission de leurs connaissances. En ce sens, Synapse intervient tout au niveau de 3 leviers : - Créer de la connaissance, à travers un outil d'aide à l'écriture qui permet d'écrire l'esprit libre : Cordial. - Structurer de la connaissance, à travers des outils d'analyse sémantique. - Partager de la connaissance, à travers un chatbot capable de se connecter à la documentation d'une entreprise et de générer automatiquement sa base de connaissances.
 
Semantiweb apporte un décodage marketing des contenus conversationnels spontanés des internautes. Cette expertise donne une valeur stratégique aux annonceurs, permet de créer une intimité clients, détecte les tendances de consommation et traduit les insights des marchés en les rendant opérationnels pour l’entreprise, la marque et le produit.
 
Kairntech développe une plateforme d'IA visant à démocratiser et accélérer le développement d'applications basées sur le TAL au sein de l’entreprise. L’objectif est de pouvoir créer rapidement et sans programmation des robots permettant d’analyser automatiquement de grandes quantités de texte avec une très grande précision, faisant économiser du temps et des efforts. Nous aidons les professionnels de l’information et les analystes (auditeurs, analystes marketing, chercheurs scientifiques, enquêteurs…) à bâtir des applications pour gagner en efficacité tout en prenant de meilleures décisions.
 
QWAM développe des solutions logicielles d'intelligence artificielle appliquée au traitement du langage naturel. Nos solutions combinent les approches sémantiques, big data, machine learning et deep learning. QWAM intervient pour répondre aux besoins d'exploitation avancée des données textuelles existantes au sein des entreprises et organisations ou bien disponibles sur le web.
 
L'APIL, association à but non lucratif, rassemble l'expertise des personnes et des industriels du traitement automatique des langues. Elle a pour ambition de promouvoir le traitement automatique des langues auprès des utilisateurs, qu'ils soient industriels ou grand public. Nous animons un réseau d'expertise en collaboration avec les acteurs spécialisés du domaine : forum JeunesTalents en collaboration avec l'ATALA, les rencontres entre membres industriels, ou l'accompagnement de projets collaboratifs innovants en partenariat international.

Vous fournissez de telles solutions et vous souhaitez faire partie de nos partenaires, contactez-nous.

Les technologies à mettre en oeuvre

Analyse sémantique
Signifiant, signifié, de quoi parle-t-on ? Au tout début du XXème siècle, Louis Fer­di­nand de Saus­sure, dans ses Cours de lin­guis­tique Géné­rale, explo­rait la dif­fé­rence entre...
Catégorisation de documents
Pourquoi catégoriser des documents ? L’ac­tion de regrou­per les objets en classes est au moins aus­si ancienne que le lan­gage lui-même, et, d’une cer­taine façon, en...
Un ordinateur peut-il analyser les émotions ?
Le lan­gage humain est com­plexe. Apprendre à un ordi­na­teur ou à une machine com­ment ana­ly­ser les nuances, que ce soit au niveau gram­ma­ti­cal ou cultu­rel,...

Ces études de cas peuvent aussi vous intéresser

Comment exploiter les données cliniques dans une veille biomédicale ciblée ?

Je suis responsable produit dans l'industrie pharmaceutique et j'aimerais qu'un outil m'aide à exploiter le contenu textuel des essais cliniques, de comptes-rendus, expériences patients, signalements d'effets indésirables dans l'optique d'optimiser la veille de molécules médicamenteuses. Un tel outil peut m'être d'une aide particulièrement précieuse. D'une part, les données disponibles dans le domaine pharmaceutique, de par leur volume et leur diversité, sont difficiles à archiver et analyser à la main, d'autre part, la qualité des articles parus sur les revues médicales est conditionnée par les choix éditoriaux ainsi que d'éventuels conflits d'intérêt. Il me sera donc utile de disposer d'un outil pour que je puisse effectuer, de manière efficace et surtout à partir des sources brutes, une veille ciblée sur un sujet précis.

Détecter des phénomènes et signaux peu perceptibles pour les opérateurs humains

Officier des forces de sécurité, j'anime une cellule de surveillance des réseaux criminels de toutes sortes, notamment à partir des interceptions de relations entre les membres de ces réseaux : texte, mais surtout enregistrements audio, dans les langues les plus diverses, parfois rares. Je sais que l'intelligence artificielle permet de mettre en évidence des faits d'intérêt majeur par l'analyse dans le temps de ces données textuelles et aimerais en savoir davantage.

Quantifier des opinions dans des réponses libres : un défi

Je suis décideur dans un institut d'études marketing et de sondage d'opinion. Je souhaite lancer des enquêtes incluant des questions ouvertes pour leur richesse. Mais comment dépouiller toutes ces contributions en texte libre ?