@inproceedings{tian-etal-2017-detection,
    title = "D{\'e}tection des mots non-standards dans les tweets avec des r{\'e}seaux de neurones (Detecting non-standard words in tweets with neural networks)",
    author = "Tian, Tian  and
      Tellier, Isabelle  and
      Dinarelli, Marco  and
      Cardoso, Pedro",
    editor = "Eshkol-Taravella, Iris  and
      Antoine, Jean-Yves",
    booktitle = "Actes des 24{\`e}me Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Volume 2 - Articles courts",
    month = "6",
    year = "2017",
    address = "Orl{\'e}ans, France",
    publisher = "ATALA",
    url = "https://preview.aclanthology.org/fix-sig-urls/2017.jeptalnrecital-court.22/",
    pages = "174--182",
    language = "fra",
    abstract = "Dans cet article, nous proposons un mod{\`e}le pour d{\'e}tecter dans les textes g{\'e}n{\'e}r{\'e}s par des utilisateurs (en particulier les tweets), les mots non-standards {\`a} corriger. Nous utilisons pour cela des r{\'e}seaux de neurones convolutifs au niveau des caract{\`e}res, associ{\'e}s {\`a} des ``plongements'' (embeddings) des mots pr{\'e}sents dans le contexte du mot courant. Nous avons utilis{\'e} pour l'{\'e}valuation trois corpus de r{\'e}f{\'e}rence. Nous avons test{\'e} diff{\'e}rents mod{\`e}les qui varient suivant leurs plongements pr{\'e}-entrain{\'e}s, leurs configurations et leurs optimisations. Nous avons finalement obtenu une F1-mesure de 0.972 en validation crois{\'e}e pour la classe des mots non-standards. Cette d{\'e}tection des mots {\`a} corriger est l'{\'e}tape pr{\'e}liminaire pour la normalisation des textes non standards comme les tweets."
}