Advanced Detection of Arabic Offensive Language in Social Media Using Machine Learning and Natural Language Processing / Asma Kahla

Public ISBD Titre : Advanced Detection of Arabic Offensive Language in Social Media Using Machine Learning and Natural Language Processing Type de document : texte imprimé Auteurs : Asma Kahla, Auteur ; Yassina Belguet ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (93 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Offensive Language Machine Learning Natural Language Processing Transformers Index. décimale : 004 - Informatique Résumé : Because social media platforms like Facebook offer so many services, they have become an essential part of our everyday life. However, there has also been an increase in offensive speech on these platforms, which has become a major issue. The massive amount of data and the significant consumption of time and money make the old way of manually finding and removing offensive language online extremely challenging. As a result, there is an increasing need for automatic offensive language identification, particularly in cases when posts are written in complex languages or lack resources, such as Arabic. In this work, we focused on Algerian dialects. We used different machine learning algorithms: Logistic Regression, SVM, MultinomialNB, BernoulliNB, and Stochastic Gradient Descent. Our best results yielded accuracies of 89.70% and 89.19% for the Term Frequency-Inverse Document Frequency (TFIDF) with n-gram and Bag of Words (BoW) with n-gram, respectively, using MultinomialNB and BernoulliNB classifiers. Additionally, we utilized Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) models with BERT for data analysis, in our case we used marBERT v2. In this experiment, LSTM achieved an accuracy of 89.20%. However, marBERT v2 alone outperformed all previous experiments with an accuracy of 95%. Note de contenu : Sommaire List of Figures i List of Tables iv General introduction 1 1 Offensive Language 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Offensive language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.2 Offensive language types . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.3 Offensive language categories . . . . . . . . . . . . . . . . . . . . . 7 1.2.4 Different definitions of offensive language . . . . . . . . . . . . . . . 8 1.2.5 Offensive language in social media and peoples’ cultures . . . . . . 9 1.3 International laws . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.1 Current state in offensive language detection and related concept . 13 1.4.2 Summary and Analysis . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2 Machine Learning 20 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Machine Learning types . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3.4 Semi-supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 23 2.4 Machine Learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.1 Logistic regression . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.2 Naive Bayes classifier . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.3 Stochastic Gradient Descent . . . . . . . . . . . . . . . . . . . . . . 24 2.4.4 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Machine Learning concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.6 Machine Learning process . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.6.1 Data collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.6.2 Preparation data . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.6.3 Choosing a model . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.6.4 Training the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.6.5 Testing the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.6.6 Improve the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 .6.7 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.7 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.7.2 Deep Learning types . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3 Sentiment Analysis 31 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.1 Sentiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.2 Sentiments Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Subjectivity classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4 Sentiment analysis levels . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.1 Document-level sentiment analysis . . . . . . . . . . . . . . . . . . 33 3.4.2 Sentence level of sentiment analysis . . . . . . . . . . . . . . . . . . 33 3.4.3 Word/Phrase Level of sentiment analysis . . . . . . . . . . . . . . . 33 3.5 Sentiment Analysis approaches . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.5.1 Machine Learning (ML) . . . . . . . . . . . . . . . . . . . . . . . . 33 3.5.2 Lexicon-based approach . . . . . . . . . . . . . . . . . . . . . . . . 34 3.5.3 Hybrid approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.6 Types of Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.6.1 Emotion Recognition . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.6.2 Fine-Grained . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 ........... Côte titre : MAI/0913 Advanced Detection of Arabic Offensive Language in Social Media Using Machine Learning and Natural Language Processing [texte imprimé] / Asma Kahla, Auteur ; Yassina Belguet ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (93 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Offensive Language Machine Learning Natural Language Processing Transformers Index. décimale : 004 - Informatique Résumé : Because social media platforms like Facebook offer so many services, they have become an essential part of our everyday life. However, there has also been an increase in offensive speech on these platforms, which has become a major issue. The massive amount of data and the significant consumption of time and money make the old way of manually finding and removing offensive language online extremely challenging. As a result, there is an increasing need for automatic offensive language identification, particularly in cases when posts are written in complex languages or lack resources, such as Arabic. In this work, we focused on Algerian dialects. We used different machine learning algorithms: Logistic Regression, SVM, MultinomialNB, BernoulliNB, and Stochastic Gradient Descent. Our best results yielded accuracies of 89.70% and 89.19% for the Term Frequency-Inverse Document Frequency (TFIDF) with n-gram and Bag of Words (BoW) with n-gram, respectively, using MultinomialNB and BernoulliNB classifiers. Additionally, we utilized Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) models with BERT for data analysis, in our case we used marBERT v2. In this experiment, LSTM achieved an accuracy of 89.20%. However, marBERT v2 alone outperformed all previous experiments with an accuracy of 95%. Note de contenu : Sommaire List of Figures i List of Tables iv General introduction 1 1 Offensive Language 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Offensive language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.2 Offensive language types . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.3 Offensive language categories . . . . . . . . . . . . . . . . . . . . . 7 1.2.4 Different definitions of offensive language . . . . . . . . . . . . . . . 8 1.2.5 Offensive language in social media and peoples’ cultures . . . . . . 9 1.3 International laws . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.1 Current state in offensive language detection and related concept . 13 1.4.2 Summary and Analysis . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2 Machine Learning 20 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Machine Learning types . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.3 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3.4 Semi-supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 23 2.4 Machine Learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.1 Logistic regression . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.2 Naive Bayes classifier . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.3 Stochastic Gradient Descent . . . . . . . . . . . . . . . . . . . . . . 24 2.4.4 Support Vector Machine . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Machine Learning concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.6 Machine Learning process . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.6.1 Data collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.6.2 Preparation data . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.6.3 Choosing a model . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.6.4 Training the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.6.5 Testing the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.6.6 Improve the model . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 .6.7 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.7 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.7.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.7.2 Deep Learning types . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3 Sentiment Analysis 31 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.1 Sentiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.2 Sentiments Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Subjectivity classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4 Sentiment analysis levels . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.4.1 Document-level sentiment analysis . . . . . . . . . . . . . . . . . . 33 3.4.2 Sentence level of sentiment analysis . . . . . . . . . . . . . . . . . . 33 3.4.3 Word/Phrase Level of sentiment analysis . . . . . . . . . . . . . . . 33 3.5 Sentiment Analysis approaches . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.5.1 Machine Learning (ML) . . . . . . . . . . . . . . . . . . . . . . . . 33 3.5.2 Lexicon-based approach . . . . . . . . . . . . . . . . . . . . . . . . 34 3.5.3 Hybrid approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.6 Types of Sentiment Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.6.1 Emotion Recognition . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.6.2 Fine-Grained . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 ........... Côte titre : MAI/0913

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0913	MAI/0913	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Analyse des sentiments des commentaires en arabe des lecteurs des journaux en lignes / Rania,Aberkane

Public ISBD Titre : Analyse des sentiments des commentaires en arabe des lecteurs des journaux en lignes Type de document : texte imprimé Auteurs : Rania,Aberkane, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (77 f .) Présentation : ill. Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Index. décimale : 004 Informatique Côte titre : MAI/0218 Analyse des sentiments des commentaires en arabe des lecteurs des journaux en lignes [texte imprimé] / Rania,Aberkane, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (77 f .) : ill. ; 29 cm. Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Index. décimale : 004 Informatique Côte titre : MAI/0218

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0218	MAI/0218	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

APPROCHE POUR L’INDEXATION ET L’UTILISATION DES RESSOURCES PEDAGOGIQUES DANS UN SYSTEME E-LEARNING PERVASIF / Brik ,Mourad  

Public ISBD Titre : APPROCHE POUR L’INDEXATION ET L’UTILISATION DES RESSOURCES PEDAGOGIQUES DANS UN SYSTEME E-LEARNING PERVASIF Type de document : texte imprimé Auteurs : Brik ,Mourad, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (96 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes de recommandation Sensibilité au contexte Index. décimale : 004 - Informatique Résumé : Le travail présenté dans cette thèse concerne les systèmes de recommandation sensibles au contexte (CARS), plus précisément nous concentrons sur la détection automatique des conditions contextuelles (valeurs des facteurs contextuelles) qui influencent le processus de recommandation. Dans les recherches récentes, l’intégration du contexte dans les applications de recommandation a été démontrée leur efficacité en générant des items aux utilisateurs non seulement pertinents mais également convenables à leurs contexte. Tandis que, la sélection des facteurs de contexte est une tache exigeante en ressources qui nécessite dans la plus part des cas l’intervention d’un expert de domaine. Le principale contribution de ce travail de thèse est basée sur l'analyse des comportements des utilisateurs au sein d’un système de recommandation à base de filtrage collaboratif afin de deviner les conditions contextuelles relatives à la consommation adéquate des items en utilisant la matrice des votes générée par les systèmes de recommandation à base de filtrage collaboratif. Un profil d'utilisateur qui englobe à la fois les données concernant les utilisateurs et les données de contexte a été proposé dans ce travail. Nous proposons aussi une méthode de modélisation de contexte à base de règles sémantiques qui se penche sur l'analyse de comportement des utilisateurs. Nous avons appliqué cette proposition dans le domaine de l'éducation dans lequel nous avons conçu un outil permettant la création des objets d'apprentissages. Ce système vise à améliorer la tâche de production des objets d'apprentissage (création, révision, édition…) en offrant un environnement collaboratif grâce aux technologies fournies par les systèmes de filtrage collaboratifs ainsi que l’analyse des comportements des utilisateurs pour améliorer le processus de recommandation dans les environnements pervasifs. La prise en compte du contexte pour la génération de recommandations futures adopte l’approche pré-filtrage contextuel avec une méthode probabiliste (Naïve Bayes), qui permet la génération des items personnalisés avant que les recommandations soient faites. Un test a été mené sur des utilisateurs réels montre que l’approche sémantique proposée est promoteur pour ce genre de contexte. Côte titre : DI/0067 En ligne : https://drive.google.com/file/d/1dTbBpVFDTbS_2r20_z2KY3iYdlYgTjpt/view?usp=shari [...] Format de la ressource électronique : pdf APPROCHE POUR L’INDEXATION ET L’UTILISATION DES RESSOURCES PEDAGOGIQUES DANS UN SYSTEME E-LEARNING PERVASIF [texte imprimé] / Brik ,Mourad, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (96 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Systèmes de recommandation Sensibilité au contexte Index. décimale : 004 - Informatique Résumé : Le travail présenté dans cette thèse concerne les systèmes de recommandation sensibles au contexte (CARS), plus précisément nous concentrons sur la détection automatique des conditions contextuelles (valeurs des facteurs contextuelles) qui influencent le processus de recommandation. Dans les recherches récentes, l’intégration du contexte dans les applications de recommandation a été démontrée leur efficacité en générant des items aux utilisateurs non seulement pertinents mais également convenables à leurs contexte. Tandis que, la sélection des facteurs de contexte est une tache exigeante en ressources qui nécessite dans la plus part des cas l’intervention d’un expert de domaine. Le principale contribution de ce travail de thèse est basée sur l'analyse des comportements des utilisateurs au sein d’un système de recommandation à base de filtrage collaboratif afin de deviner les conditions contextuelles relatives à la consommation adéquate des items en utilisant la matrice des votes générée par les systèmes de recommandation à base de filtrage collaboratif. Un profil d'utilisateur qui englobe à la fois les données concernant les utilisateurs et les données de contexte a été proposé dans ce travail. Nous proposons aussi une méthode de modélisation de contexte à base de règles sémantiques qui se penche sur l'analyse de comportement des utilisateurs. Nous avons appliqué cette proposition dans le domaine de l'éducation dans lequel nous avons conçu un outil permettant la création des objets d'apprentissages. Ce système vise à améliorer la tâche de production des objets d'apprentissage (création, révision, édition…) en offrant un environnement collaboratif grâce aux technologies fournies par les systèmes de filtrage collaboratifs ainsi que l’analyse des comportements des utilisateurs pour améliorer le processus de recommandation dans les environnements pervasifs. La prise en compte du contexte pour la génération de recommandations futures adopte l’approche pré-filtrage contextuel avec une méthode probabiliste (Naïve Bayes), qui permet la génération des items personnalisés avant que les recommandations soient faites. Un test a été mené sur des utilisateurs réels montre que l’approche sémantique proposée est promoteur pour ce genre de contexte. Côte titre : DI/0067 En ligne : https://drive.google.com/file/d/1dTbBpVFDTbS_2r20_z2KY3iYdlYgTjpt/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DI/0067	DI/0067	Thèse	Bibliothéque des sciences	Français	Disponible Disponible

Arabic Sentiments Analysis Using Machine Learning / Hamza,Hiba  

Public ISBD Titre : Arabic Sentiments Analysis Using Machine Learning Type de document : texte imprimé Auteurs : Hamza,Hiba, Auteur ; Sadik Bessou, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (57 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments Langue arabe Traitement du langage naturel Index. décimale : 004 - Informatique Résumé : L’analyse des sentiments est une tâche de traitement du langage naturel qui a récemment attiré une attention croissante, en particulier dans les entreprises, le marketing et les politiques, où l’analyse des sentiments donne une idée complète de ce que les gens aiment et n’aiment pas, et de leur sentiment envers les produits, les idées, services, etc. L’analyse des sentiments est apparue après la prolifération des services de réseaux sociaux comme Facebook, Twitter, Youtube, des plateformes de blogs et des forums où les internautes peuvent partager facilement leurs pensées et leurs points de vue via ces plateformes où une quantité massive de données est générée quotidiennement. Cependant, les recherches sur l’analyse des sentiments ont été principalement menées pour la langue anglaise. Bien que l’arabe devienne l’une des langues les plus utilisées sur Internet, seules quelques études se sont jusqu’à présent concentrées sur l’analyse des sentiments en arabe. Dans cette thèse, nous présentons les détails de la collecte d’un grand ensemble de don–nées "corpus" des commentaires et des publications en langue arabe provenant de plateformes de médias sociaux. Les techniques utilisées pour le prétraitement de l’ensemble de données collectées sont expliquées. Nous présentons nos trois classes : positive, négative et neutre. Nous avons proposé et évalué plusieurs méthodes d’apprentissage automatique pour classer les commentaires: Machine à Vecteurs de Support, Régression Logistique, Forêt Aléatoire et Bayes Naïves. Et un modèle N-gram a été proposé où les documents sont classés sur la base de: unigrammes, bigramset trigrammes.Les meilleurs résultats de la précision que nous avons obtenue de mot en utilisant Tfidfvectorizer unigrammes était 88.26% avec le classificateur Forêt Aléatoire, et Les meilleurs précisions de caractère 87.42% en utilisant Countvectorize avec le classificateur Régression Logistique en utilisant trigrammmes. Côte titre : MAI/0478 En ligne : https://drive.google.com/file/d/18DpQVRvHdHXDmaMYF3Kqmmk5JD2UbPGi/view?usp=shari [...] Format de la ressource électronique : pdf Arabic Sentiments Analysis Using Machine Learning [texte imprimé] / Hamza,Hiba, Auteur ; Sadik Bessou, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (57 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Analyse des sentiments Langue arabe Traitement du langage naturel Index. décimale : 004 - Informatique Résumé : L’analyse des sentiments est une tâche de traitement du langage naturel qui a récemment attiré une attention croissante, en particulier dans les entreprises, le marketing et les politiques, où l’analyse des sentiments donne une idée complète de ce que les gens aiment et n’aiment pas, et de leur sentiment envers les produits, les idées, services, etc. L’analyse des sentiments est apparue après la prolifération des services de réseaux sociaux comme Facebook, Twitter, Youtube, des plateformes de blogs et des forums où les internautes peuvent partager facilement leurs pensées et leurs points de vue via ces plateformes où une quantité massive de données est générée quotidiennement. Cependant, les recherches sur l’analyse des sentiments ont été principalement menées pour la langue anglaise. Bien que l’arabe devienne l’une des langues les plus utilisées sur Internet, seules quelques études se sont jusqu’à présent concentrées sur l’analyse des sentiments en arabe. Dans cette thèse, nous présentons les détails de la collecte d’un grand ensemble de don–nées "corpus" des commentaires et des publications en langue arabe provenant de plateformes de médias sociaux. Les techniques utilisées pour le prétraitement de l’ensemble de données collectées sont expliquées. Nous présentons nos trois classes : positive, négative et neutre. Nous avons proposé et évalué plusieurs méthodes d’apprentissage automatique pour classer les commentaires: Machine à Vecteurs de Support, Régression Logistique, Forêt Aléatoire et Bayes Naïves. Et un modèle N-gram a été proposé où les documents sont classés sur la base de: unigrammes, bigramset trigrammes.Les meilleurs résultats de la précision que nous avons obtenue de mot en utilisant Tfidfvectorizer unigrammes était 88.26% avec le classificateur Forêt Aléatoire, et Les meilleurs précisions de caractère 87.42% en utilisant Countvectorize avec le classificateur Régression Logistique en utilisant trigrammmes. Côte titre : MAI/0478 En ligne : https://drive.google.com/file/d/18DpQVRvHdHXDmaMYF3Kqmmk5JD2UbPGi/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0478	MAI/0478	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Arabic Subjective Sentiment Analysis Using Machine Learning / Besma Mokrane Ghadir  

Public ISBD Titre : Arabic Subjective Sentiment Analysis Using Machine Learning Type de document : texte imprimé Auteurs : Besma Mokrane Ghadir, Auteur ; Aouatif Bouchareb, Auteur ; Sadik Bessou, Directeur de thèse Année de publication : 2022 Importance : 1 vol (6 1f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé : Sentiment analysis has gotten a lot of attention in the recent decade because of the benefits it may give in several fields, including politics, social sciences, marketing and economics... because social networks are now full of texts in which Internet users express themselves on a variety of topics and their opinions are important in making decisions in many of these fields. Unfortunately, most of the resources and systems developed in this field are designed for English and other European languages, and sentiment analysis in the Arabic language has only recently begun to be researched and developed, and progress is slow compared to research in English and other languages. In this work, we will make our mark in the field of Arabic sentiment analysis using machine learning by doing several experiments on the effect of using word and character grams with different N-grams (unigram, bigram, trigram and 4-gram) and different vectorizer (CountVectorizer and Tfidfvectorizer), and see how the outcome will change also we used in all our experiment five of ML algorithms (SVM, NB, LR, RF, DT). We applied our experiments on two sets of data that were about Twitter comments and restaurant reviews, categorized into three groups, positive, negative, and neutral, and containing 23 414 comments. After we did all the experiments on our data and saw all the results, we came to the conclusion that the algorithm of Logistic Regression gave us the best result with wordgram and char-gram which we reached accuracy 90% and 91% respectively and the best n-gram was the bigram for the word-gram and the trigram for the char-gram and the best vectorizer was TfidfVectorizer. Côte titre : MAI/0694 En ligne : https://drive.google.com/file/d/1yxnHJoZ6uOlD5yqlcNIKtVEfZd1oUeLI/view?usp=share [...] Format de la ressource électronique : pdf Arabic Subjective Sentiment Analysis Using Machine Learning [texte imprimé] / Besma Mokrane Ghadir, Auteur ; Aouatif Bouchareb, Auteur ; Sadik Bessou, Directeur de thèse . - 2022 . - 1 vol (6 1f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Résumé : Sentiment analysis has gotten a lot of attention in the recent decade because of the benefits it may give in several fields, including politics, social sciences, marketing and economics... because social networks are now full of texts in which Internet users express themselves on a variety of topics and their opinions are important in making decisions in many of these fields. Unfortunately, most of the resources and systems developed in this field are designed for English and other European languages, and sentiment analysis in the Arabic language has only recently begun to be researched and developed, and progress is slow compared to research in English and other languages. In this work, we will make our mark in the field of Arabic sentiment analysis using machine learning by doing several experiments on the effect of using word and character grams with different N-grams (unigram, bigram, trigram and 4-gram) and different vectorizer (CountVectorizer and Tfidfvectorizer), and see how the outcome will change also we used in all our experiment five of ML algorithms (SVM, NB, LR, RF, DT). We applied our experiments on two sets of data that were about Twitter comments and restaurant reviews, categorized into three groups, positive, negative, and neutral, and containing 23 414 comments. After we did all the experiments on our data and saw all the results, we came to the conclusion that the algorithm of Logistic Regression gave us the best result with wordgram and char-gram which we reached accuracy 90% and 91% respectively and the best n-gram was the bigram for the word-gram and the trigram for the char-gram and the best vectorizer was TfidfVectorizer. Côte titre : MAI/0694 En ligne : https://drive.google.com/file/d/1yxnHJoZ6uOlD5yqlcNIKtVEfZd1oUeLI/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0694	MAI/0694	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

Author profiling for Algerian social media users in Modern standard Arabic and Algerian dialect / Khenafi, Amani  

Permalink

Author proling for social media users in Arabic language / Ayad, Rayane  

Permalink

Complexité lexicale des textes Arabes par les techniques d’apprentissage automatique / Chenni,Ghozlene  

Permalink

Conception et Implémentation d’Architectures Modulaires et Hiérarchiques en Reconnaissance Biométrique / Regouid,Meryem  

Permalink

Conception et réalisation d'une application multi-plateforme pour la gestion numérique de l'Ecole (e-school) / Khadidja Barkat  

Permalink

Contribution au niveau de l’approche indirecte à base de transfert dans la traduction automatique / Sadik Bessou  

Permalink

Contribution au niveau de l’approche indirecte à base de transfert dans la traduction automatique / Sadik Bessou  

Permalink

DEVELOPMENT OF A MOBILE APPLICATION IN THE CONTEXT OF UBERIZATION: ARCHITECTURE AND USER EXPERIENCE / Lydia Nakivumbi

Permalink

D´etection De La Langue Arabe Offensante Dans Les M´edias Sociaux / Anis Mebarki  

Permalink

Healthcare Solutions: Application cross- platform for instant medical services on demand easy-care / Rafik Zemouri

Permalink

---

1 2 (1 - 15 / 24) Par page : Tout afficher