webleads-tracker

14/12/2017

Des emojis et du deep learning pour déchiffrer les émotions dans les messages écrits

Les emojis, qui ponctuent de plus en plus fréquemment les e-mails et les messages sur les réseaux sociaux, sont utilisés par des chercheurs du MIT pour faire avancer la compréhension automatiques des nuances émotionnelles dans les contenus textuels. Cela fait plusieurs mois que je voulais vous parler de ce projet – baptisé DeepMoji – parce qu’il permet de comprendre, d’une part, comment fonctionne l’apprentissage profond (deep learning) et, d’autre part, à quoi cela peut servir concrètement dans l’univers de la Relation Client.

Comprendre le « sous-texte »

Les emojis (qu’on appelait aussi émoticônes il n’y a pas si longtemps, mais c’est de moins en moins le cas…) servent principalement à nuancer – renforcer, amoindrir, souligner – un propos écrit et à désambiguïser ce qui pourrait être mal interprété ou non perçu si l’on s’en tenait uniquement au sens des mots. C’est notamment le cas de l’ironie et du sarcasme, facilement détectables dans une conversation de vive voix entre personnes d’une même culture, mais beaucoup moins évidents à repérer dans un message écrit.

Entre les deux messages ci-dessous, n’importe quel utilisateur de messagerie saisit immédiatement la différence d’intention de l’expéditeur et sait d’emblée quelle coloration émotionnelle il faut donner à la réponse.

En revanche, les systèmes d’analyse sémantique ont toutes les chances de passer complètement à côté de la nuance du deuxième message parce qu’ils n’analysent que les mots, en se fondant sur leur acception la plus courante. Si bien que, quand quelqu’un écrit « Vraiment top, votre service client », le système en déduit que c’est forcément une appréciation positive. Dommage.

Repérer le sarcasme, même quand il n’y a pas d’emoji

Iyad Rahwan et Bjarke Felbo, les deux chercheurs du MIT ont eu l’idée d’utiliser l’immense corpus de Twitter pour apprendre à un algorithme à reconnaître l’ironie, le sarcasme et d’autres intentions problématiques dans des messages textuels.

Ils sont partis d’un ensemble de 1,2 milliard de tweets comportant au moins 1 des 64 emojis les plus utilisés sur le réseau social et ont demandé à leur algorithme de deviner quels étaient les emojis associés à chacun des tweets. Dans ce dispositif d’apprentissage, les emojis jouent le rôle de tags, ce qui permet de sauter l’étape de qualification préalable des données, indispensable à toute opération d’apprentissage. C’est plutôt malin parce que taguer plus d’un milliard de tweets « ironie », « colère », « peur », « étonnement », etc. c’est un boulot de romain (une de ces tâches à la noix mises aux enchères sur la plateforme Mechanical Turk d’Amazon.)

A partir du moment où l’algorithme arrive à associer les bons emojis à une phrase donnée, cela signifie qu’il a compris le contenu émotionnel de la phrase et, par conséquent, qu’il sera capable de le comprendre dans d’autres occurrences et circonstances. A ce petit jeu de devinettes, l’algorithme entraîné à identifier les propos sarcastiques a fini par être plus fort que les êtres humains : son taux d’identifications correctes est en moyenne de 82 %, contre 76 % pour les volontaires humains qui ont effectué le même test sur Mechanical Turk.

Pour continuer l’apprentissage de l’algorithme et l’étendre à d’autres langues que l’anglais, les chercheurs du MIT vous proposent deux choses :

1/  comprendre comment fonctionne leur système en tapant n’importe quelle phrase à laquelle l’algorithme associera automatiquement les emojis appropriés (ou pas, parce que pour l’instant DeepMoji ne comprend pas si bien que ça le français…)

Comme vous le voyez, un simple mot (en l’occurrence « damned! ») peut considérablement changer la tonalité perçue par DeepMoji :

Pour essayer, c’est ici.

2/ enrichir la base d’apprentissage en qualifiant l’humeur et l’état d’esprit dans laquelle vous étiez en écrivant vos propres tweets. Le site vous propose pour cela 20 états émotionnels que vous devez noter de 1 à 5 pour chaque tweet.

Pour essayer et contribuer à enrichir la compréhension émotionnelle de DeepMoji, c’est .

OK, c’est amusant… Mais à quoi ça sert, concrètement ?

Si les applications pratiques de certains projets sont parfois difficiles à imaginer, dans le cas de DeepMoji elles sont évidentes et immédiates. L’intention initiale des concepteurs était de lutter contre les sous-entendus injurieux, racistes, sexistes sur les réseaux sociaux. La capacité de l’algorithme à identifier le sarcasme ou d’autres intentions/états émotionnels permet d’automatiser davantage et de raffiner l’analyse de sentiments – par exemple pour faciliter la modération des commentaires, avis et contributions sur les réseaux sociaux sans passer à côté de ce qui est réellement exprimé en sous-texte. Dans le domaine de la Relation Client et du Service Client, l’utilisation de DeepMoji ou d’un algorithme similaire peut venir renforcer les dispositifs d’écoute de la voix du client en remontant rapidement vers les conseillers les messages/posts/tweets/échanges avec un chatbot les plus problématiques qui nécessitent une réponse circonstanciée ou un arbitrage humain.

Iyad Rahwan se projette un peu plus loin en envisageant une coopération plus émotionnelle entre les humains et les machines : quand certains de nos collègues seront des robots, il sera essentiel qu’ils perçoivent nos émotions, nos frustrations et qu’ils en tiennent compte dans leurs interactions avec nous. Pour que la vie ne devienne pas un enfer d’incompréhension où tout est pris au pied de la lettre, il sera tout aussi essentiel qu’ils comprennent nos répliques ironiques et nos blagues à deux balles – ou qu’ils fassent comme si – aussi bien à l’écrit, comme DeepMoji est en passe de montrer que c’est possible, qu’à l’oral. Sur ce sujet de la détection des émotions dans la voix, je renvoie à mon billet d’il y a quelques mois : les chercheurs y travaillent !

On n’est pas au bout de nos surprises et de nos émotions 😉

 

Vous aimerez aussi :

Laissez un commentaire