Une approche par modélisation thématique pour capturer l'insight client dans les médias sociaux

A topical approach to capturing customer insight in social media

• Auteur / Autrice : Miguel Palencia-Olivar
• Direction : Stéphane Bonnevay, Alexandre Aussem
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 15/03/2023
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon (2009-....)
• Partenaire(s) de recherche : Laboratoire : Entrepôts, Représentation et Ingénierie des Connaissances
• Jury : Président / Présidente : Eric Duchêne
• Jury : Examinateurs / Examinatrices : Julyan Arbel, Marianne Clausel, Christine Largeron, Hubert Naacke, Lynda Tamine-Lechani
• Jury : Rapporteurs / Rapporteuses : Julyan Arbel, Marianne Clausel

Mots clés

Mots clés contrôlés

Apprentissage profond

Apprentissage automatique

Traitement automatique du langage naturel

Statistique bayésienne

Mots clés libres

Statistique bayésienne

Topic modeling

Traitement automatique du langage naturel

Machine Learning

Deep Learning

Business Analytics

Bayesian statistics

Topic modeling

Natural language processing

Machine Learning

Deep Learning

Business Analytics

Résumé

L'ère des médias sociaux a ouvert de nouvelles perspectives aux entreprises. Cette richesse florissante d'informations se situe en dehors des canaux et des cadres traditionnels de la recherche marketing classique, y compris celui du Marketing Mix Modeling (MMM). Les données textuelles, en particulier, posent de nombreux défis que les praticiens de l'analyse de données doivent relever. Les médias sociaux constituent des sources de documents massives, hétérogènes et bruitées. Les processus industriels d'acquisition de données comprennent une certaine quantité d'ETL, cependant, la variabilité du bruit dans les données et l'hétérogénéité induite par les différentes sources créent le besoin d'outils ad hoc. En d'autres termes, l'extraction d'insight client dans des contextes bruités et totalement non supervisés est une tâche ardue. Nous nous intéressons ici à l'extraction de thématiques entièrement non supervisée dans des contextes Big Data bruités. Nous présentons trois approches construites suivant le framework de l'autoencodeur variationnel : l'Embedded Dirichlet Process, l'Embedded Hierarchical Dirichlet Process et le Dynamic Embedded Dirichlet Process. Ces approches non paramétriques concernant les thèmes présentent la particularité de déterminer des embeddings de mots et des embeddings de sujets. Ces embeddings ne nécessitent pas d'apprentissage par transfert, mais le transfert de connaissances reste possible. Nous testons ces approches sur des jeux de données de référence et des jeux de données liés à l'industrie automobile, issus d'un cas d'utilisation réel. Nous montrons que nos modèles atteignent des performances égales ou supérieures à celles de l'état de l'art et que le domaine du topic modeling bénéficierait de meilleures mesures d'évaluation. Enfin, nous tirons parti du cadre Autoencoding Variational Bayes et du Deep Learning pour concevoir une boîte à outils adaptée à la pratique industrielle. Cette boîte à outils permet un entraînement et un développement rapides et évolutifs de nouveaux modèles, comblant ainsi le fossé entre la modélisation statistique et le développement de logiciels et permettant de travailler à la fois avec les méthodes de gestion de projet itératives et les mises à jour de connaissances métier.

The age of social media has opened new opportunities for businesses. This flourishing wealth of information is outside traditional channels and frameworks of classical marketing research, including that of Marketing Mix Modeling (MMM). Textual data, in particular, poses many challenges that data analysis practitioners must tackle. Social media constitute massive, heterogeneous, and noisy document sources. Industrial data acquisition processes include some amount of ETL. However, the variability of noise in the data and the heterogeneity induced by different sources create the need for ad-hoc tools. Put otherwise, customer insight extraction in fully unsupervised, noisy contexts is an arduous task. This research addresses the challenge of fully unsupervised topic extraction in noisy, Big Data contexts. We present three approaches we built on the Variational Autoencoder framework: the Embedded Dirichlet Process, the Embedded Hierarchical Dirichlet Process, and the time-aware Dynamic Embedded Dirichlet Process. These nonparametric approaches concerning topics present the particularity of determining word embeddings and topic embeddings. These embeddings do not require transfer learning, but knowledge transfer remains possible. We test these approaches on benchmark and automotive industry-related datasets from a real-world use case. We show that our models achieve equal to better performance than state-of-the-art methods and that the field of topic modeling would benefit from improved evaluation metrics. Lastly, we leverage the Autoencoding Variational Bayes framework and Deep Learning to design a toolkit suitable for industrial practice. This toolkit allows for fast and scalable training and development of new models, thus bridging the gap between statistical modeling and software development and allowing for working with iterative project management methods and domain knowledge updates.