Anne-Laure Guénet


2020

pdf
Désidentification de données texte produites dans un cadre de relation client (De-identification of customer relationship text data )
Guillaume Dubuisson Duplessis | Elliot Bartholme | Sofiane Kerroua | Mathilde Poulain | Ahès Roulier | Anne-Laure Guénet
Actes de la 6e conférence conjointe Journées d'Études sur la Parole (JEP, 33e édition), Traitement Automatique des Langues Naturelles (TALN, 27e édition), Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RÉCITAL, 22e édition). Volume 4 : Démonstrations et résumés d'articles internationaux

Cette démonstration présente une solution performante de désidentification de données texte selon 13 types d’entités nommées et entraînée sur des données issues de la relation client.

2019

pdf bib
Cameli@ : analyses automatiques d’e-mails pour améliorer la relation client (Cameli@ : automatic e-mail analysis to improve the customer relationship )
Guillaume Dubuisson Duplessis | Sofiane Kerroua | Ludivine Kuznik | Anne-Laure Guénet
Actes de la Conférence sur le Traitement Automatique des Langues Naturelles (TALN) PFIA 2019. Volume IV : Démonstrations

Cette démonstration présente un système actuellement en production d’analyses automatiques d’emails en français incluant des analyses thématiques, des analyses de l’opinion, des tâches d’extraction d’information et une tâche de pseudo-anonymisation.

2010

pdf
L’apport des concepts métiers pour la classification des questions ouvertes d’enquête
Ludivine Kuznik | Anne-Laure Guénet | Anne Peradotto | Chloé Clavel
Actes de la 17e conférence sur le Traitement Automatique des Langues Naturelles. Articles courts

EDF utilise les techniques de Text Mining pour optimiser sa relation client, en analysant des réponses aux questions ouvertes d’enquête de satisfaction, et des retranscriptions de conversations issues des centres d’appels. Dans cet article, nous présentons les différentes contraintes applicatives liées à l’utilisation d’outils de text mining pour l’analyse de données clients. Après une analyse des différents outils présents sur le marché, nous avons identifié la technologie Skill CartridgeTM fournie par la société TEMIS comme la plus adaptée à nos besoins. Cette technologie nous permet une modélisation sémantique de concepts liés au motif d’insatisfaction. L’apport de cette modélisation est illustrée pour une tâche de classification de réponses d’enquêtes de satisfaction chargée d’évaluer la fidélité des clients EDF. La modélisation sémantique a permis une nette amélioration des scores de classification (F-mesure = 75,5%) notamment pour les catégories correspondant à la satisfaction et au mécontentement.