Analyse de sentiment basée sur le temps et l'espace des tweets pour l'évaluation des risques d'événements en utilisant une approche d'apprentissage profond

Résumé Les réseaux sociaux jouent un rôle essentiel dans l'analyse des émotions réelles des personnes après et pendant une catastrophe. L'analyse de sentiment est une méthode permettant de détecter un modèle à partir des émotions et des retours d'expérience des utilisateurs. L'objectif principal du travail proposé est de réaliser une analyse de sentiment sur les tweets dans un contexte de catastrophe spécifique pour un emplacement particulier à différents intervalles de temps. Un réseau LSTM avec un algorithme d'embedding de mots est utilisé pour dériver des mots-clés en fonction de l'historique des tweets et du contexte des tweets. L'algorithme proposé, l'analyse de sentiment pour l'évaluation des risques (RASA), utilise les mots-clés générés par le réseau pour classer les tweets, et un score de sentiment pour chaque emplacement est identifié. Le modèle est validé avec divers algorithmes à la pointe de la technologie, à savoir, machine à vecteurs de support, Naive-Bayes, entropie maximale, régression logistique, forêt aléatoire, XGBoost, descente de gradient stochastique et réseaux de neurones convolutionnels dans un scénario à 2 volets : l'un pour la classe binaire et l'autre pour la classe multiclass avec trois classes cibles. Les résultats indiquent que le RASA proposé fonctionne mieux dans un scénario de classe binaire avec une augmentation de 1 % par rapport à XGBoost et de 30 % dans un scénario multiclass en moyenne par rapport à toutes les autres techniques. Le modèle aide le gouvernement à prendre des mesures préventives pour gérer les effets post-catastrophe dans un endroit.