Résumé

Les domaines de la recommandation et de la classification de sentiments sont restés complètement disjoints jusqu’ici: d’un coté, la recommandation exploite les matrices d’inter- action entre les utilisateurs et les produits, sous la forme de notes en faisant l’impasse sur les données textuelles, de l’autre, la fouille d’opinion exploite les revues/notes de consomma- teurs pour construire des modèles d’analyse de documents. Nous proposons dans cet article un modèle exploitant aussi des données d’interaction textuelles présentes dans les revues de consommateurs pour construire un modèle de recommandation novateur et performant.

Abstract

Sentiment classification and recommender systems were until recently completely disjoint domains. Recommender systems exploit the users/items/rates matrix with omitting the available text information. Sentiment classification exploits text reviews and consumers rates to build models for document analysis. In this article we propose an unified model exploiting both text and user, items and rates to build a new and efficient recommender system.