Analyse des sentiments dans les avis sur hôtels à l'aide du Deep Learning et modèle BiLSTM

À l'ère du numérique, la croissance rapide des plateformes en ligne a profondément transformé le secteur de l'hôtellerie, où les décisions des clients sont de plus en plus influencées par les avis générés par les utilisateurs. Ces avis fournissent des informations précieuses sur les expériences des clients ; cependant, le volume considérable de données textuelles non structurées rend l'analyse manuelle inefficace et peu pratique. Pour relever ce défi, cette étude propose un système automatisé d'analyse des sentiments utilisant des techniques d'apprentissage profond afin de classer les avis sur les hôtels en sentiments positifs et négatifs. La recherche s'appuie sur un ensemble de données à grande échelle comprenant plus de 500 000 avis sur des hôtels, qui font l'objet d'un prétraitement approfondi, incluant le nettoyage du texte, la tokenisation, la suppression des mots vides et l'équilibrage des données afin de garantir la fiabilité du modèle. Une analyse exploratoire des données (EDA) est réalisée afin de comprendre la distribution des données et d'en extraire des tendances significatives. Les données textuelles traitées sont ensuite transformées en représentations numériques à l'aide de techniques de tokenisation et de remplissage de séquences.