Un outil avancé d'analyse de sentiment en français qui prend en compte le contexte, la structure et l'évolution du sentiment dans un texte.

• Présentation
• Fonctionnalités
• Architecture
• Installation
• Utilisation
• Structure du Dictionnaire
• Classes et Méthodes
• Interface Web
• Exemples
• Extension et Personnalisation
• Résolution de Problèmes
• Licence

L'Analyseur de Sentiment Contextuel est un outil conçu pour évaluer le sentiment exprimé dans un texte en français, en allant au-delà d'une simple analyse par mots-clés. Il prend en compte le contexte des mots, la structure du texte, les transitions, et l'évolution du sentiment du début à la fin.

• Analyse basique : Détection des mots positifs, négatifs et neutres
• Analyse contextuelle : Évaluation du contexte autour de chaque mot
• Gestion des modificateurs : Prise en compte des intensificateurs et négations
• Reconnaissance des émojis : Analyse des émojis et leur impact sur le sentiment
• Analyse structurelle : Division du texte en segments (début, milieu, fin)
• Détection des transitions : Repérage de mots comme "mais", "cependant" et analyse de l'impact
• Analyse de la progression : Évaluation de l'évolution du sentiment au fil du texte
• Identification des modèles narratifs : Détection des schémas comme la "rédemption" ou la "chute"
• Interface web intuitive : Visualisation des résultats et des détails de l'analyse
• API accessible : Intégration facile dans d'autres applications

Le projet est organisé selon une architecture modulaire avec trois composants principaux :

1. SentimentAnalyzer : Analyse basique au niveau des mots et expressions
2. ContextualAnalyzer : Analyse avancée prenant en compte la structure et le contexte
3. SentimentEvaluator : Évaluation et comparaison des performances des analyseurs

Toutes les configurations sont externalisées dans un dictionnaire JSON pour faciliter les ajustements et extensions.

• Node.js (v14 ou supérieur)
• npm ou yarn

1. Clonez le dépôt :

   git clone [https://github.com/artkabis/mindSetValue.git](https://github.com/artkabis/mindSetValue.git)

2. Installez les dépendances :

   npm install

3. Assurez-vous que le dictionnaire est présent :

   /data/sentiment-dictionary.json
   

4. Lancez le serveur :

   npm start

L'application sera accessible à l'adresse http://localhost:3000

1. Accédez à l'URL du serveur dans votre navigateur
2. Saisissez ou collez le texte à analyser dans le champ
3. Cliquez sur "Analyser le sentiment"
4. Consultez les résultats et les détails de l'analyse

const { analyzer, contextualAnalyzer } = require('./src/analyzer');

// Analyse basique
const resultBasic = analyzer.analyze("Ce produit est vraiment excellent, je le recommande !");
console.log(resultBasic.score, resultBasic.sentiment);

// Analyse contextuelle
const resultContextual = contextualAnalyzer.analyze("J'étais déçu au début, mais finalement le produit s'est révélé excellent.");
console.log(resultContextual.contextualScore, resultContextual.contextualSentiment, resultContextual.trends);

Le dictionnaire de sentiment (sentiment-dictionary.json) est le cœur du système. Sa structure est la suivante :

{
  "positiveWords": {
    "excellent": 0.9,
    "bon": 0.7,
    // autres mots positifs avec leur score (0.5 à 1.0)
  },
  "neutralWords": {
    "produit": 0.5,
    // autres mots neutres avec leur score (généralement 0.5)
  },
  "negativeWords": {
    "mauvais": 0.3,
    "terrible": 0.1,
    // autres mots négatifs avec leur score (0.0 à 0.5)
  },
  "compounds": {
    "modifierPrefixes": {
      "très": 1.8,
      "peu": 0.5,
      "pas": -1.0,
      // autres modificateurs avec leur facteur
    },
    "idioms": {
      "pas mal": 0.6,
      // expressions idiomatiques avec leur score
    },
    "negationWords": [
      "ne", "pas", "sans", "jamais",
      // autres mots de négation
    ]
  },
  "emojiSentiments": {
    "😊": 0.9,
    "👍": 0.8,
    "😢": 0.2,
    // autres émojis avec leur score
  },
  "config": {
    "negationWindow": 5,
    "contextWindow": 3,
    "segmentCount": 3,
    "minSegmentSize": 3,
    "positionWeights": {
      "beginning": 0.7,
      "middle": 1.0,
      "end": 1.5
    },
    "transitionMarkers": [
      { "word": "mais", "weight": 0.7 },
      { "word": "cependant", "weight": 0.7 },
      // autres marqueurs de transition
    ],
    "narrativePatterns": {
      "redemption": 0.2,
      "downfall": -0.15,
      "consistency": 0.05,
      "mixed": -0.05
    },
    "analysisWeights": {
      "progression": 0.25,
      "conclusion": 0.25,
      "intensity": 0.15,
      "transitions": 0.20,
      "baseline": 0.15
    }
  }
}

• constructor(dictionary) : Initialise l'analyseur avec un dictionnaire
• analyze(text) : Analyse le sentiment de base d'un texte
• _getContextWords(words, position, windowSize) : Récupère les mots contextuels autour d'un mot
• _analyzeWordContext(contextWords, centralWord, centralScore) : Analyse l'impact du contexte
• _getSentimentFromScore(score) : Convertit un score numérique en description textuelle

• constructor(baseAnalyzer, dictionary) : Initialise l'analyseur contextuel
• analyze(text) : Analyse contextuelle complète d'un texte
• _splitIntoSentences(text) : Divise le texte en phrases
• _segmentText(sentences) : Divise le texte en segments (début, milieu, fin)
• _analyzeSegments(segments) : Analyse chaque segment individuellement
• _analyzeProgression(segmentAnalysis) : Évalue l'évolution du sentiment
• _analyzeConclusion(segments) : Évalue l'impact de la conclusion
• _analyzeIntensity(baseResult) : Analyse la variance et l'intensité des sentiments
• _analyzeTransitions(text, baseResult) : Détecte et analyse les transitions
• _identifyNarrativePattern(progressionFactor) : Identifie le modèle narratif
• _calculateContextualScore(...) : Calcule le score contextuel final
• _analyzeTrends(segmentAnalysis, progressionFactor) : Analyse les tendances d'évolution

• constructor(analyzer, contextualAnalyzer) : Initialise l'évaluateur
• evaluate(testCases) : Évalue les performances sur un ensemble de tests
• compareAnalyzers(text) : Compare les analyses basique et contextuelle

L'interface web offre une visualisation claire des résultats d'analyse :

• Score global et classification du sentiment
• Barre de visualisation colorée du score
• Niveau de confiance de l'analyse
• Liste des mots identifiés avec leur score
• Expressions idiomatiques détectées
• Modificateurs et leur impact
• Détails sur les tendances et l'évolution du sentiment

const text = "Ce produit est vraiment excellent, je le recommande !";
const result = contextualAnalyzer.analyze(text);
// result.contextualScore ≈ 0.85
// result.contextualSentiment = "très positif"

const text = "J'étais très déçu au début, mais après plusieurs utilisations, j'ai finalement été impressionné par les performances du produit.";
const result = contextualAnalyzer.analyze(text);
// result.contextualScore ≈ 0.65
// result.contextualSentiment = "plutôt positif"
// result.trends.trend = "nette amélioration"
// result.contextFactors.narrative.pattern = "redemption"

const text = "Ce n'est pas un mauvais produit, mais ce n'est pas non plus extraordinaire.";
const result = contextualAnalyzer.analyze(text);
// result.contextualScore ≈ 0.53
// result.contextualSentiment = "légèrement positif"

Éditez le fichier data/sentiment-dictionary.json pour ajouter de nouveaux mots :

"positiveWords": {
  "excellent": 0.9,
  "magnifique": 0.85,
  "votre-nouveau-mot": 0.75
}

Modifiez la section config du dictionnaire :

"config": {
  "negationWindow": 4,  // Réduire la portée des négations
  "contextWindow": 5,   // Augmenter la fenêtre de contexte
  // autres paramètres...
}

Pour ajouter de nouvelles fonctionnalités, étendez les classes existantes :

class EnhancedContextualAnalyzer extends ContextualAnalyzer {
  constructor(baseAnalyzer, dictionary) {
    super(baseAnalyzer, dictionary);
    // Nouvelles propriétés
  }
  
  // Nouvelles méthodes
  analyzeTopics(text) {
    // Implémentation...
  }
}

Vérifiez :

• Le chemin du dictionnaire (dictionaryPath)
• La syntaxe JSON (validez avec un outil en ligne)
• Les permissions de lecture du fichier

Si des modificateurs comme "pas" ou "très" ne fonctionnent pas correctement :

• Vérifiez leur définition dans modifierPrefixes
• Assurez-vous que les mots cibles sont dans le dictionnaire
• Inspectez les détails retournés par l'analyse

Si l'analyse produit un score qui ne correspond pas à vos attentes :

• Examinez les mots identifiés et leurs scores individuels
• Vérifiez si des mots importants manquent dans le dictionnaire
• Ajustez les poids et paramètres dans la configuration

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus de détails.

Développé avec ❤️ pour comprendre les nuances du langage humain.