approche symbolique

Ce mémoire décrit le développement et l'évaluation d'un système de génération automatique de rapports d'analyse financière. Nous avons défini, modélisé et codé des règles de génération pour un système commercial permettant de générer régulièrement plusieurs centaines de rapports simplifiés d'analyse. Le système doit modéliser des données informatiques non-textuelles complexes afin de les utiliser dans des règles de génération définies en collaboration avec des analystes financiers. Ces règles doivent être représentatives de l'expertise d'un·e analyste et permettre de générer un texte cohérent d'un point de vue rhétorique et linguistique. Enfin, les rapports d'analyse générés doivent employer la langue spécialisée du domaine qu'est la finance de marché. Pour évaluer la qualité des textes générés, nous avons mis en place un protocole d'évaluation humaine par des spécialistes du domaine.

L’analyse des produits et services mis sur le marché est déterminante pour une entreprise. Les demandes clients, les retours d’enquêtes de satisfaction ou bien les requêtes faites pour une souscription sont des données internes qui demandent un traitement rapide et une analyse fine pour s’adresser au service adéquat. De même, les réseaux sociaux donnent un grand nombre de données utiles à l’image de l’entreprise. La classification de texte permet de gérer ces flux d’informations en les catégorisant à l’aide de modèles d’apprentissage automatique: le Support Vector Machine et le MultiLayer Perceptron. Ces travaux portent, dans un premier temps, sur la catégorisation des données en classes liées au domaine bancaire et les résultats des modèles expérimentés. Dans un second temps, les performances d’une autre forme de classification, l’analyse de sentiments, sont évaluées afin de mettre en avant le meilleur modèle à utiliser pour ces données.