Analyse multimodale d'opinions dans les interactions – MAOI

L’analyse d’opinions est un domaine en plein essor. Un grand nombre d’efforts ont été récemment consacrés au développement de méthodes capables d’analyser les données d’opinions disponibles sur le web social. Parallèlement à cela, des entreprises montrent un intérêt croissant pour l’intégration de la composante sociale dans l’interaction. MAOI est un projet de recherche fondamentale en traitement automatique du langage naturel et en traitement de la parole qui contribue au Défi 7 (Société de l’information et de la Communication). Il traite de la question de l’analyse d’opinions dans les interactions humain-agent et s’intègre ainsi à l’Axe 4 (Interaction, Robotique).
Plus spécifiquement, le projet MAOI propose des méthodes d’analyse multimodale d’opinions dans les interactions multimodales entre un humain et un agent, l’objectif étant d’extraire des informations issues des préférences utilisateur. Une telle information a pour vocation d’enrichir les profils utilisateur pour les robots compagnon et les assistants virtuels. Ce sujet de recherche porteur a cependant été jusque maintenant très rarement et très partiellement exploité. L’approche proposée repose sur l’utilisation des champs aléatoires conditionnels (CRF) qui ont été choisis pour leur flexibilité permettant de tirer parti des capacités de généralisation des méthodes d’apprentissage et de modélisations fines permises par les règles sémantiques. Comme les interactions humain-agents multimodales ne sont pas disponibles massivement, les CRF constituent une alternative aux méthodes d’apprentissage profond. Dans ce contexte applicatif et scientifique prometteur, le projet MAOI s’attaque à deux ruptures majeures : i) l’apprentissage de caractéristiques mené par des connaissances a priori et des modèles psycho-linguistiques afin d’apprendre les préférences de l’utilisateur ; ii) l’intégration des différents niveaux d’analyse (lexical, syntaxique, prosodique et dialogique) à travers des variables latentes au sein des Hidden Conditional Random Fields, permettant ainsi d'ancrer la détection d'opinion dans le contexte de l'interaction humain-agent.