DeepMoji : décelez les émotions de vos phrases

Le contenu émotionnel est un élément important du langage. De nombreux cas d’utilisation montrent aujourd’hui que le traitement du langage naturel occupe une place de plus en plus importante dans les produits de consommation.


Dans son livre The Emotion Machine publié en 2006, le légendaire informaticien Marvin Minsky (co-fondateur du domaine de l’intelligence artificielle et l’un des membres fondateurs du MIT Media Lab) a écrit sur le rôle central des émotions dans le raisonnement – nous rappelant que l’intelligence artificielle ne sera capable d’un véritable raisonnement de bon sens qu’une fois qu’elle aura compris les émotions.

Pour Minsky, les émotions ne sont pas le contraire de la raison rationnelle, quelque chose à éliminer avant que nous puissions penser clairement; au contraire, les émotions sont simplement une façon différente de penser.

Essayez Deepmoji

Mais cela n’est guère utile à un informaticien qui tente de construire une machine émotionnelle en programmant un ensemble de règles concrètes. Si vous demandez à deux personnes d’expliquer ce qui rend une phrase particulière heureuse, triste, sérieuse ou sarcastique, vous aurez probablement au moins deux opinions différentes. Une grande partie de ce qui détermine le contenu émotionnel est spécifique au contexte, culturellement construit et difficile à décrire dans un ensemble explicite de règles.

C’est pourquoi l’apprentissage automatique offre une approche prometteuse: au lieu de dire explicitement à la machine comment reconnaître les émotions, nous demandons à la machine d’apprendre à partir de nombreux exemples de textes réels. En particulier, les modèles d’apprentissage en profondeur peuvent apprendre des représentations très subtiles et découvrir par eux-mêmes ce qui rend quelque chose de heureux ou de triste, de sérieux ou de sarcastique.

Le contenu émotionnel est un élément important du langage. Le cas d’utilisation classique est celui des entreprises qui veulent comprendre ce que leurs clients disent d’elles. Mais il y a beaucoup d’autres cas d’utilisation maintenant que le traitement du langage naturel occupe une place de plus en plus importante dans les produits de consommation.

L’ idée de base avec le projet DeepMoji est que si le modèle est capable de prédire quel émoji a été inclus avec une phrase donnée, alors il a une compréhension du contenu émotionnel de cette phrase. On forme un modèle pour prédire l’émojis sur un ensemble de données de tweets. On peut ensuite transférer ces connaissances à une tâche cible en faisant juste un peu de formation supplémentaire en plus de l’ensemble de données cible.
Grâce à cette approche, on obtient des repères pour détecter les sentiments, les émotions et les sarcasmes.

 

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.