Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/326
Full metadata record
DC FieldValueLanguage
dc.contributor.authorTOUHAMI, WIded Ahlem-
dc.contributor.authorTALEB, DOuaa-
dc.date.accessioned2022-11-09T07:40:29Z-
dc.date.available2022-11-09T07:40:29Z-
dc.date.issued2022-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/326-
dc.descriptionSupervisor : Mme. ALIANE Hassina Mr. KHALDI Belkacem Co-Supervisor : Mr. ALIANE Ahmed Amineen_US
dc.description.abstractSarcasm is a subtle form of language in which individuals say the opposite of what is implied. It is generally used to express negative sentiments that can easily cause a serious emotional impact on the recipient like depression and low self-esteem. Sarcasm is a crucial step to sentiment analysis, that presents a real challenge even for humans. Therefore, Automatic Sarcasm detection becomes a necessity owing to the increase in popularity of social networking sites and has come very helpfully to improving sentiment analysis, being proved their direct relationship recently. The existing methods for automatic sarcasm detection rely primarily on lexical and linguistic cues. Therefore, the situation is not different for those who use the Arabic language, since there is a big variety and contrast in dialects and lexical. In the case of our study, we aim to address the difficult task of sarcasm detection, numerous techniques including Machine learning, Deep learning, and NLP tools were used to identify and reduce this problem on social media platforms. The objective of this work is to compare a set of researches in this task up to the moment that proposes approaches for Sarcasm detection in both English and Arabic Language Twitter Posts with Machine Learning and Deep Learning. Then we give a summary of some methods and a comparative table of them.*** Le sarcasme est une forme subtile de langage dans laquelle les individus disent le contraire de ce qui est sous-entendu. Il est généralement utilisé pour exprimer des sentiments négatifs qui peuvent facilement avoir un impact émotionnel grave sur le destinataire, comme la dépression et une faible estime de soi. Le sarcasme est une étape cruciale de l’analyse des sentiments, qui présente un véritable déő même pour les humains. Par conséquent, la détection automatique du sarcasme devient une nécessité en raison de l’augmentation de la popularité des sites de réseaux sociaux et s’est avérée très utile pour améliorer l’analyse des sentiments, ayant récemment prouvé leur relation directe. Les méthodes existantes de détection automatique du sarcasme reposent principalement sur des indices lexicaux et linguistiques. Par conséquent, la situation n’est pas différente pour ceux qui utilisent la langue arabe, car il existe une grande variété et un contraste dans les dialectes et le lexique. Dans le cas de notre étude, nous visons à aborder la tâche difficile de détection du sarcasme, de nombreuses techniques, notamment l’apprentissage automatique, l’apprentissage en profondeur et les outils NLP, ont été utilisées pour identiőer et réduire ce problème sur les plateformes de médias sociaux. L’objectif de ce travail est de comparer un ensemble de recherches dans cette tâche jusqu’à présent qui proposent des approches pour la détection du sarcasme dans les publications Twitter en anglais et en arabe avec l’apprentissage automatique et l’apprentissage en profondeur. Ensuite, nous donnons un résumé de certaines méthodes et un tableau comparatif de celles-ci.en_US
dc.language.isoenen_US
dc.subjectSarcasm Detectionen_US
dc.subjectSentiment Analysisen_US
dc.subjectNatural Language Processingen_US
dc.subjectMachine Learningen_US
dc.subjectDeep Learningen_US
dc.subjectTransformersen_US
dc.titleSarcasm Detection in Arabic Language Twitter Posts with Deep Learning Approaches.en_US
dc.typeThesisen_US
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
master-1-1.pdf50,3 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.