Thèse soutenue

Analyse d'opinion pour l'optimisation de la relation client : optimisation de services de gestion de communautés et d'outils de communication à destination du client
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Alexis Blandin
Direction : Pierre-François MarteauFarida SaïdJeanne Villaneau
Type : Thèse de doctorat
Discipline(s) : Informatique et architectcures numériques
Date : Soutenance le 27/03/2023
Etablissement(s) : Lorient
Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication en Bretagne Océane (Brest)
Partenaire(s) de recherche : Laboratoire : Institut de recherche en informatique et systèmes aléatoires (Rennes) - Institut de Recherche en Informatique et Systèmes Aléatoires / IRISA
Jury : Président / Présidente : Emmanuel Morin
Examinateurs / Examinatrices : Ioana Marasescu-Galleron
Rapporteurs / Rapporteuses : Frédéric Béchet, Vincent Labatut

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Cette thèse a pour sujet l'”Analyse d'opinion pour l'optimisation de la relation client" ; elle a été réalisée dans le cadre d'une convention CIFRE, en partenariat avec la société UNEEK, qui propose des services de gestion de relation client. Le sujet est vaste et recoupe de nombreux domaines, comme le requêtage de base de données en langage naturel, l'apprentissage profond, le traitement automatique du langage, l'analyse et la détection d'émotions ou le marketing et les sciences sociales. Nos travaux abordent essentiellement deux problématiques : l'interrogation en français de données tabulaires et l'étude de newsletters. Dans une première partie, nous explorons la possibilité de concevoir une interface de requêtes permettant d'interroger en langage naturel les bases de données tabulaires de l'entreprise. Ensuite, nous expliquons comment et pourquoi nous avons recentré nos travaux sur l'étude d'un canal de communication particulier de l'entreprise vers ses contacts : les newsletters. Nous étudions d'abord comment les émotions transmises par le texte des newsletters, influent sur leur perception, et comment les résultats de cette étude peuvent aider à leur rédaction et leur édition. Ensuite, nous proposons une modélisation des newsletters sous forme de graphes hétérogènes, permettant de prendre en compte les aspects visuels des zones de textes et leur disposition dans la newsletter, en plus de leur contenu. Nous utilisons des techniques d'apprentissage profond telles que les réseaux de convolution de graphe, et les techniques d'attention pour prédire la performance des newsletters. Cette modélisation originale des newsletters a produit des résultats encourageants pour la tâche de prédiction considérée. L'approche pourrait être approfondie dans de futurs travaux pour prendre en compte d'autres composantes significatives des newsletters, en particulier les images. De plus cette modélisation pourrait être appliquée pour d'autres études multi-modales.