@inproceedings{sainson-etal-2018-lse,
title = "{LSE} au {DEFT} 2018 : Classification de tweets bas{\'e}e sur les r{\'e}seaux de neurones profonds ({LSE} at {DEFT} 2018 : Sentiment analysis model based on deep learning)",
author = "Sainson, Antoine and
Linsenmaier, Hugo and
Majed, Alexandre and
Cadet, Xavier and
Bouchekif, Abdessalam",
booktitle = "Actes de la Conf{\'e}rence TALN. Volume 2 - D{\'e}monstrations, articles des Rencontres Jeunes Chercheurs, ateliers DeFT",
month = "5",
year = "2018",
address = "Rennes, France",
publisher = "ATALA",
url = "https://aclanthology.org/2018.jeptalnrecital-deft.9",
pages = "299--310",
abstract = "Dans ce papier, nous d{\'e}crivons les syst{\`e}mes d{\'e}velopp{\'e}s au LSE pour le DEFT 2018 sur les t{\^a}ches 1 et 2 qui consistent {\`a} classifier des tweets. La premi{\`e}re t{\^a}che consiste {\`a} d{\'e}terminer si un message concerne les transports ou non. La deuxi{\`e}me, consiste {\`a} classifier les tweets selon leur polarit{\'e} globale. Pour les deux t{\^a}ches nous avons d{\'e}velopp{\'e} des syst{\`e}mes bas{\'e}s sur des r{\'e}seaux de neurones convolutifs (CNN) et r{\'e}currents (LSTM, BLSTM et GRU). Chaque mot d{'}un tweet donn{\'e} est repr{\'e}sent{\'e} par un vecteur dense appris {\`a} partir des donn{\'e}es relativement proches de celles de la comp{\'e}tition. Le score final officiel est de 0.891 pour la t{\^a}che 1 et de 0.781 pour la t{\^a}che 2.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="sainson-etal-2018-lse">
<titleInfo>
<title>LSE au DEFT 2018 : Classification de tweets basée sur les réseaux de neurones profonds (LSE at DEFT 2018 : Sentiment analysis model based on deep learning)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Antoine</namePart>
<namePart type="family">Sainson</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Hugo</namePart>
<namePart type="family">Linsenmaier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Alexandre</namePart>
<namePart type="family">Majed</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Xavier</namePart>
<namePart type="family">Cadet</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Abdessalam</namePart>
<namePart type="family">Bouchekif</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2018-05</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la Conférence TALN. Volume 2 - Démonstrations, articles des Rencontres Jeunes Chercheurs, ateliers DeFT</title>
</titleInfo>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Rennes, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Dans ce papier, nous décrivons les systèmes développés au LSE pour le DEFT 2018 sur les tâches 1 et 2 qui consistent à classifier des tweets. La première tâche consiste à déterminer si un message concerne les transports ou non. La deuxième, consiste à classifier les tweets selon leur polarité globale. Pour les deux tâches nous avons développé des systèmes basés sur des réseaux de neurones convolutifs (CNN) et récurrents (LSTM, BLSTM et GRU). Chaque mot d’un tweet donné est représenté par un vecteur dense appris à partir des données relativement proches de celles de la compétition. Le score final officiel est de 0.891 pour la tâche 1 et de 0.781 pour la tâche 2.</abstract>
<identifier type="citekey">sainson-etal-2018-lse</identifier>
<location>
<url>https://aclanthology.org/2018.jeptalnrecital-deft.9</url>
</location>
<part>
<date>2018-5</date>
<extent unit="page">
<start>299</start>
<end>310</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T LSE au DEFT 2018 : Classification de tweets basée sur les réseaux de neurones profonds (LSE at DEFT 2018 : Sentiment analysis model based on deep learning)
%A Sainson, Antoine
%A Linsenmaier, Hugo
%A Majed, Alexandre
%A Cadet, Xavier
%A Bouchekif, Abdessalam
%S Actes de la Conférence TALN. Volume 2 - Démonstrations, articles des Rencontres Jeunes Chercheurs, ateliers DeFT
%D 2018
%8 May
%I ATALA
%C Rennes, France
%G French
%F sainson-etal-2018-lse
%X Dans ce papier, nous décrivons les systèmes développés au LSE pour le DEFT 2018 sur les tâches 1 et 2 qui consistent à classifier des tweets. La première tâche consiste à déterminer si un message concerne les transports ou non. La deuxième, consiste à classifier les tweets selon leur polarité globale. Pour les deux tâches nous avons développé des systèmes basés sur des réseaux de neurones convolutifs (CNN) et récurrents (LSTM, BLSTM et GRU). Chaque mot d’un tweet donné est représenté par un vecteur dense appris à partir des données relativement proches de celles de la compétition. Le score final officiel est de 0.891 pour la tâche 1 et de 0.781 pour la tâche 2.
%U https://aclanthology.org/2018.jeptalnrecital-deft.9
%P 299-310
Markdown (Informal)
[LSE au DEFT 2018 : Classification de tweets basée sur les réseaux de neurones profonds (LSE at DEFT 2018 : Sentiment analysis model based on deep learning)](https://aclanthology.org/2018.jeptalnrecital-deft.9) (Sainson et al., JEP/TALN/RECITAL 2018)
ACL