Analyse d'opinion pour l'optimisation de la relation client

Titre : 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.

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

Mot clés : Intelligence Artificielle, Traitement automatique du langage, Convolution de graphes, Apprentissage profond

Opinion analysis for customer relationship optimization: Optimization of community management services and customer communication tools

Abstract:
The subject of this thesis is "Opinion analysis for customer relationship optimization"; it was carried out within the framework of a CIFRE agreement, in partnership with the company UNEEK, which offers customer relationship management services.
The subject is vast and cuts across many fields, such as databases interrogation in natural language, deep learning, automatic language processing, analysis and detection of emotions or marketing and social sciences. Our work essentially addresses two issues: the querying of tabular data in French and the study of newsletters.
In a first part, we explore the possibility of designing a query interface allowing to query in natural language the tabular databases of the company.
Then, we explain how and why we have refocused our work on the study of a particular communication channel from the company to the contacts: newsletters.
We first study how the emotions transmitted by the text of newsletters influence their perception, and how the results of this study can help in their writing and editing.
Then, we propose a modeling of newsletters in the form of heterogeneous graphs, allowing to take into account the visual aspects of text areas and their layout in the newsletter, in addition to their content.
We use deep learning techniques such as graph convolution networks, and attention techniques to predict newsletter performance.
This original modeling of newsletters produced encouraging results for the prediction task considered. The approach could be further developed in future work to take into account other significant components of newsletters, in particular images. Furthermore, this modelisation could be applied in other multi-modal studies.

Keywords: Artificial Intelligence, Natural language processing, Graph Convolutional Networks, Deep
Learning