Université Benyoucef Bekhedda Alger 1

Faculté des sciences

Département informatique

2023-2024

Chapitre 6 : Analyse des

média sociaux
Dr. Aoudia

Analyse des réseaux sociaux

Les medias sociaux

Un media social est un ensemble de services en ligne

permettant à des utilisateurs d’internet de publier et de créer
et partager du contenu sur le web avec d’autres utilisateurs.

Le rôle principale d’un média social est de permettre aux

utilisateurs un partage mutuelle d’un certain contenu
Le premier media social: Geocities

• « En 1995, GeoCities a proposé un plan alternatif à l’hébergement

payant des sites web. Il fournirait une petite quantité d’espace Web

gratuitement (environ 2 mégaoctets au début), puis facturerait des

frais mensuels si vous vouliez plus d’espace de stockage. »

https://azurplus.fr/quest-ce-que-geocities-et-comment-lafficher-aujourdhui/
Media sociaux aujourd’hui

Réseaux Partage de Messagerie

sociaux Vidéos instantanée
(Facebook, (YouTube, (Skype, Viber,
LinkedIn) MetaCafe) Messenger)

Microblogging Jeux Sociaux ……

(Twitter) (World of
Warcraft)
Utilisation des média sociaux dans les
entreprises

https://creg.ac-versailles.fr/l-utilisation-des-reseaux-sociaux-dans-l-entreprise
Source: Livre Social Media Mining An Introduction. Auteurs: Reza Zafarani Mohammad Ali Abbasi Huan Liu

Social media mining

• Social Media Mining, présente les concepts de base et les principaux algorithmes
convient pour enquêter sur des données massives sur les réseaux sociaux ; il aborde les
théories et méthodologies de différentes disciplines telles que l'informatique,
l'exploration de données, l'apprentissage automatique, l'analyse des réseaux sociaux, les
réseaux, sciences, sociologie, ethnographie, statistiques, optimisation et mathématiques.

• Il englobe les outils permettant de représenter, mesurer, modéliser et exploiter

formellement des modèles significatifs à partir de données à grande échelle sur les
réseaux sociaux.
Natural language processing

« Natural Language Processing » ou Traitement Automatique du Langage Naturel.

Le traitement automatique des langues naturelles(TALN), réunie les domaines de la

linguistique, de l’informatique et de l’intelligence artificielle

C’est la conception et le développement de programmes et techniques informatiques capable

de traiter de façon automatique des données exprimées dans une langue naturelle.
Natural language processing

Les techniques du traitement automatique des langues naturelles permettre

d’extraire des textes et des informations plus riches que de simples unités lexicales.

Ces informations de nature morphologique, syntaxique et sémantique ont été partiellement

utilisées en recherche d’information pour améliorer les méthodes d’appariement, les
représentations des contenus des documents et requêtes et le processus de recherche
https://expertime.com/blog/a/experttech-traitement-du-langage-naturel-part-1-2/

Natural language processing

• Selon les estimations de l’industrie, seulement 20% des données disponibles sont
présentes sous la forme structurée, les 80% restants représentent quant à eux
des données sous forme non structurée.

• Aujourd’hui, la majorité des données existe sous forme textuelle, non structurée,
c’est pourquoi il est important de se familiariser avec les techniques d’analyse de
texte et le traitement du langage naturel, afin de produire des informations
significatives et exploitables à partir de ces données.*
https://expertime.com/blog/a/experttech-traitement-du-langage-naturel-part-1-2/

Natural language processing: Cas d’utilisation

Assistant virtuel
• Système intelligent capable de comprendre la voix
humaine sans avoir à utiliser le clavier. Basés
uniquement sur la voix, les dispositifs d’assistance
virtuelle peuvent effectuer plusieurs tâches comme
l’organisation de calendriers, l’envoi de messages
texte, la gestion des e-mails et l’élaboration de
listes.
https://expertime.com/blog/a/experttech-traitement-du-langage-naturel-part-1-2/

Natural language processing: Cas d’utilisation

Chatbots
• Comme son nom l’indique, c’est un robot
conçu pour mener des conversations avec des
utilisateurs humains. Le chatbot a porté
l’expérience de soutien à la clientèle à un
nouveau niveau en économisant du temps, de
l’énergie et des ressources humaines.
https://expertime.com/blog/a/experttech-traitement-du-langage-naturel-part-1-2/

Natural language processing: Cas d’utilisation

Analyse de sentiments
• Grâce aux technologies d’analyse des
sentiments, les entreprises peuvent
analyser les rétroactions des clients au
moyen de blogues, de commentaires ou
de médias sociaux, et déterminer ce
qu’ils pensent de leurs produits ou
services.
sentiment mining

"L’analyse du sentiment, aussi appelée

opinion mining, est le domaine d’étude
qui analyse les opinions, les sentiments,
les évaluations, les attitudes et les
émotions des gens envers les entités et
leurs attributs exprimés dans un texte
écrit. » [1]
[1] Sentiment analysis : mining opinions
sentiments, and emotions. Bing Liu. First
edition USA 2015.
https://www.qualtrics.com/fr/gestion-de-l-experience/etude-marche/analyse-sentiment/

sentiment mining: Cas d’utilisation

Surveiller des médias sociaux:
• écoute permanente ou focus autour d’un événement spécifique (lancement d’un nouveau produit par exemple)

Analyser des réponses d’une enquête

• pour une étude menée sur une population nombreuse

Analyser les feedbacks des collaborateurs

• dans une grande organisation

Identifier des détracteurs et des clients très insatisfaits

• afin de réaliser un suivi en boucle fermée

Identifier et visualiser des tendances géographiques ou sociodémographiques

• relatives aux émotions de la clientèle

Faire une recherche concurrentielle

• en comparant votre image et le ressenti des consommateurs par rapport à vos concurrents
 Processus d’analyse de sentiments

 La collecte des données consiste à obtenir les données nécessaires pour le

traitment.
 Le pré-traitement des données supprimera tout contenu non pertinent et obtiendra
uniquement un texte brut.
 Le filtrage comprend la suppression de tous les mots qui n’affectent pas le sens du
texte.
 Le classement du contenu en positive, négative ou neutre.
 La dernière étape consiste à avoir une idée générale de toutes les données
collectées.
https://www.tibco.com/fr/reference-center/what-is-sentiment-analysis

Analyse des sentiments: Niveaux

Niveau du document

• Analyser des textes entiers

Niveau de la phrase :

• Examen d'une seule phrase

Niveau des expressions

• Vérifier les sous-expressions situées à l'intérieur d'une phrase.

https://www.tibco.com/fr/reference-center/what-is-sentiment-analysis

Analyse des sentiments: Types d’opinions

Un avis direct : quand l'avis est précis

• Exemple: « L'interface utilisateur de cette application est médiocre »

Un avis comparatif : lorsqu'une comparaison est établie entre A et B

• Exemple: « L'interface utilisateur de l'application B est pire que celle de l'application A »

L'avis explicite : où les choses sont rendues extrêmement claires

• Exemple: « Cette application fonctionne de manière optimale »

Opinions implicites : lorsque les opinions sont simplement implicites.

• Exemple: « L'application a commencé à se planter dès le premier jour »

https://medium.com/@mehdihadji/analyse-des-sentiments-g%C3%A9n%C3%A9ralit%C3%A9s-99ab87503a5e

Analyse des sentiments: catégorisation

https://www.qualtrics.com/fr/gestion-de-l-experience/etude-marche/analyse-sentiment/

sentiment mining: Méthodes

Analyse des sentiments basée sur des règles
• Cette méthode utilise un lexique, ou une liste de mots, dans lequel chaque mot se voit attribuer un score
sentimental.
• Par exemple :
• « super » = 0,9
• « nul » = -0,7
• « ok » = 0,1
• Les phrases soumises à l’outil sont ensuite évaluées en utilisant ces pondérations et sont classées comme négatives
ou positives.

Analyse des sentiments basée sur le machine learning

• Dans ce système, un pattern informatique reçoit des commentaires en langage naturel qui sont étiquetés
manuellement. Il en déduit ensuite un apprentissage et est capable de classer les mots et expressions comme
positifs et négatifs. Une fois bien entrainé, l’outil peut ensuite être utilisé sur de nouveaux ensembles de données

Analyse hybride
• Dans certains cas, les meilleurs résultats proviennent de la combinaison de ces deux méthodes analytiques.
 sentiment mining: Méthodes

l’approche basée sur un lexique (Lexicon based approach) utilise un lexique prédéfinie;
 l’approche basée une machine d’apprentissage (Machine Learning based approach)
utilise la classification subjective des textes à partir d’un large ensemble de données

• l’approche basée sur un lexique (Lexicon based approach) utilise un

lexique prédéfinie;
• l’approche basée une machine d’apprentissage (Machine Learning
based approach) utilise la classification subjective des textes à partir
d’un large ensemble de données
 sentiment mining: Méthodes
• l’approche basée sur un lexique (Lexicon based approach)- Algorithme

l’approche basée sur un lexique (Lexicon based approach) utilise un lexique prédéfinie;
 l’approche basée une machine d’apprentissage (Machine Learning based approach)
utilise la classification subjective des textes à partir d’un large ensemble de données
https://medium.com/@mehdihadji/analyse-des-sentiments-g%C3%A9n%C3%A9ralit%C3%A9s-99ab87503a5e

Analyse de sentiments: Outils open source

• GATE plugins

• SEAS(gsi-upm/SEAS)

• SAGA(gsi-upm/SAGA)

• Stanford Sentiment Analysis Module((Deeply Moving: Deep Learning for Sentiment Analysis))

• LingPipe(Sentiment Analysis Tutorial)

• TextBlob(Tutorial: Quickstart)

• Opinion Finder(OpinionFinder | MPQA)

• Clips pattern.en(pattern.en | CLiPS)

https://medium.com/@mehdihadji/analyse-des-sentiments-g%C3%A9n%C3%A9ralit%C3%A9s-99ab87503a5e

Analyse de sentiments: Outils dictionnaire open source

• SentiWordNet

• Bing liu datasets(Opinion Mining, Sentiment Analysis, Opinion Extraction)

• General Inquirer Dataset(General Inquirer Categories)

• MPQA opinion Corpus(MPQA Resources)

• Wordnet affect(WordNet Domains)