Skip to Main content Skip to Navigation
Conference papers

Méta-apprentissage : classification de messages en catégories émotionnelles inconnues en entraînement

Résumé : Dans cet article nous reproduisons un scénario d’apprentissage selon lequel les données cibles ne sont pas accessibles et seules des données connexes le sont. Nous utilisons une approche par méta-apprentissage afin de déterminer si les méta-informations apprises à partir de messages issus de médias sociaux, finement annotés en émotions, peuvent produire de bonnes performances une fois utilisées sur des messages issus de conversations, étiquetés en émotions avec une granularité différente. Nous mettons à profit l’apprentissage sur quelques exemples (few-shot learning) pour la mise en place de ce scénario. Cette approche se montre efficace pour capturer les méta-informations d’un jeu d’étiquettes émotionnelles pour prédire des étiquettes jusqu’alors inconnues au modèle. Bien que le fait de varier le type de données engendre une baisse de performance, notre approche par méta-apprentissage atteint des résultats décents comparés au référentiel d’apprentissage supervisé.
Document type :
Conference papers
Complete list of metadata

https://hal.archives-ouvertes.fr/hal-03265871
Contributor : Yannick Parmentier Connect in order to contact the contributor
Submitted on : Wednesday, June 23, 2021 - 11:42:06 PM
Last modification on : Monday, October 11, 2021 - 3:50:01 PM
Long-term archiving on: : Friday, September 24, 2021 - 7:08:44 PM

File

119.pdf
Publisher files allowed on an open archive

Identifiers

  • HAL Id : hal-03265871, version 1

Citation

Gaël Guibon, Matthieu Labeau, Hélène Flamein, Luce Lefeuvre, Chloé Clavel. Méta-apprentissage : classification de messages en catégories émotionnelles inconnues en entraînement. Traitement Automatique des Langues Naturelles, 2021, Lille, France. pp.199-208. ⟨hal-03265871⟩

Share

Metrics

Record views

53

Files downloads

40