Aperçu du Projet
Développement d'un modèle de classification de sentiment pour analyser les critiques de films en français.
Ce projet vise à créer un système capable de déterminer automatiquement si une critique de film est positive ou négative, en utilisant des techniques avancées de traitement du langage naturel.
Déroulement du Projet
Phase 1: Collecte de Données
Extraction et nettoyage de 200 000 critiques de films depuis Allociné (2006-2020).
Phase 2: Prétraitement
Nettoyage du texte, tokenization, et préparation des données pour l'entraînement.
Phase 3: Développement des Modèles
Implémentation et comparaison de différents modèles (TF-IDF, CNN, LSTM).
Phase 4: Évaluation et Optimisation
Tests de performance et fine-tuning des modèles pour maximiser la précision.
Détails Techniques
Prétraitement du Texte
Utilisation de techniques avancées de NLP pour le nettoyage et la normalisation du texte en français.
Modèles Implémentés
Comparaison de trois approches différentes : TF-IDF avec classifieurs traditionnels, CNN pour le traitement du texte, et LSTM pour la modélisation des séquences.
Optimisation
Utilisation de techniques d'augmentation de données et de fine-tuning pour améliorer la performance du modèle sur le français.
Impact du Projet
Résultats Obtenus
- Précision de 89% sur les données de test
- Traitement de 1000 critiques par minute
- Réduction de 70% du temps d'analyse manuelle