WO2023047071A1 - Procédé de traitement d'un contenu numérique exprimant un récit d'une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d'expériences - Google Patents

Procédé de traitement d'un contenu numérique exprimant un récit d'une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d'expériences Download PDF

Info

Publication number
WO2023047071A1
WO2023047071A1 PCT/FR2022/051816 FR2022051816W WO2023047071A1 WO 2023047071 A1 WO2023047071 A1 WO 2023047071A1 FR 2022051816 W FR2022051816 W FR 2022051816W WO 2023047071 A1 WO2023047071 A1 WO 2023047071A1
Authority
WO
WIPO (PCT)
Prior art keywords
experience
segment
user
tone
segments
Prior art date
Application number
PCT/FR2022/051816
Other languages
English (en)
Inventor
Sébastien TAUPIN
Jean-Marc MOUSSET
Sylvain Allano
Original Assignee
Taoci Experiences Sas
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taoci Experiences Sas filed Critical Taoci Experiences Sas
Publication of WO2023047071A1 publication Critical patent/WO2023047071A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Definitions

  • the present invention relates to a method for processing digital content expressing an account of an experience lived and/or imagined by a user. It also targets processing process applications for the recommendation of content or experience as well as for connecting several users.
  • Most traditional methods consist of segmenting customers according to geographic, demographic, socio-cultural, behavioral data, and/or customer habits and purchases.
  • Numerical data such as the history of websites consulted, the history of films and series watched, the pages or articles liked, the interests of customers, and/or information on their profile - such as birthdays - can also help to target the hearing.
  • the most common method uses the score assigned to the experiments: for example, we create a first cluster of people who put 5/5, then a second cluster of people who put 4/5, then 3/ 5, 2/5 and 1/5.
  • the second method uses the NPS (Net Promoter Score). Customers are asked to rate their experiences on a scale of 0 to 10 (or 1 to 10). People who give a rating of 6 or less are called “Detractors”, those who give 7 or 8 are called “Passives”, while those who give 9 or 10 are "Promoters”. The NPS is calculated by: % Promoters - % Detractors x 100. We therefore group people into 3 categories: Promoters, Passives and Detractors. Note that the Customer Effort Score (CES) is a customer experience indicator inspired by the NPS principle and promoted by the Harvard Business Review in 2010 [1],
  • the CES follows a different logic from that of the NPS because it does not directly measure satisfaction, but an overall estimate of the effort provided by the customer.
  • the third method is to use sentiment analysis and this time focuses on the content written by customers (in English: sentiment analysis). For example, people who have a rather positive opinion (value between 0 excluded and 1 from the sentiment analysis) will be grouped together. In the same way for those who had a rather negative feeling (value between -1 and 0 excluded). Values around 0 may be associated with people who have a neutral opinion. Note that many algorithms exist to assign a "sentiment score" ("for sentiment score”) to written comments and that they can also qualify a positive sentiment: for example if a customer writes "delicious" the sentiment score will be around 0.8 (close to 1) while “correct” will be around 0.2.
  • This system is not based on the overall score given by customers but on what they have said.
  • US9762733B1 discloses a system for recommending a communication medium for interacting with a contact center customer, said system comprising: a processor; and a memory, wherein the memory contains instructions which, when executed by the processor, cause the processor to: detect a first interaction via a first medium with the client; identifying a plurality of communication mediums based on constraints to determine one or more candidate communication mediums that are different from the first medium for a second customer interaction; for each communication medium of the candidate communication mediums, estimating an expected value to be obtained by using the communication medium for the second interaction; and selecting a particular communication medium from the candidate communication mediums based on the estimates to establish the second interaction via the selected communication medium.
  • the recommendation of users is done by relational graphs. We recommend users who are closest to us socially speaking, or who have friends in common, who are in the same groups, in the same circle of relations around us, etc. Facebook, for example, uses “social graphs” to recommend users.
  • Life being a series of experiences, each human being is shaped by the experiences he lives, by the stories he lives, regardless of the content of these experiences, as well as by the experiences he wishes to live in a near future.
  • Document FR3086413A1 discloses a method for processing experience content data, comprising steps of capturing said experience content data, and aggregating said experience content data within a blockchain experiential.
  • Document FR2973133A1 discloses a process for updating and creating user profiles, recommending content and building a list of content.
  • WO 2013/170344A1 discloses a method and system relating to sentiment analysis of electronic content.
  • the aim of the invention is to propose a new concept for processing digital content expressing an experience story experienced and/or imagined by a user, which overcomes the limitations and drawbacks of the processing methods of the prior art.
  • Another objective of the invention is to propose applications for the processing of digital content expressing an account of experiences making it possible to propose tools for recommending content or for connecting users.
  • Digital content any type of digital file, whether audio, text or visual
  • Narrative of an experience sequential restitution in narrative form of an experience
  • Tone the well-known technique called sentiment analysis makes it possible to determine the tone of a text in order to see whether it evokes a positive, negative or neutral feeling
  • Graph a set of vertices connected by a set of arcs or edges
  • Archetype Ideal type serving as a model. It can also represent a symbol in any form, which can appear in different cultures.
  • Sentiment score for “Sentiment Score”: a sentiment score can be calculated by algorithms that evaluate the tone of a transcription on a spectrum ranging from positive to negative.
  • the rating can for example be calculated as the ratio of positive and negative statements of the entire call, on a score of -1 to +1, zero being neutral.
  • Dictionary of emotions compilation of words, graphic representations and icons (such as emojis) used to express feelings and emotions, for example in the form of a database.
  • a computer-implemented method for processing digital content expressing a narrative of an experience lived or imagined by a user comprising the following steps: a) segmenting this digital content into n segments, following the structure grammatical and/or punctuation of each sentence constituting the experience story, b) for each segment: calculate a sentiment score, from data science libraries, compare the words of said segment with a dictionary of emotions and attribute to said segment a positive, negative or neutral emotion, categorizing said segment by an artificial intelligence previously trained on a corpus of labeled segments, according to a predetermined number of labels associated with an actantial schema, c) calculating a tone of said segment, from the feeling score, of the emotion found in the dictionary of emotions, and the actantial schema label, d) associating with each segment a predetermined geometric shape representative of the tone of said segment thus calculated, e) detecting in said digital content one or more tone breaks, implementing a artificial intelligence, f) constructing a graph associated with said experience, by concat
  • Digital content here means any type of digital file, whether audio, textual or visual, expressing an experience story.
  • the experience story is processed and segmented into n story segments each presenting a homogeneous tone. Then, each type of tone is assigned a graphic representation, for example:
  • Negative tones will be associated with portions of the curve with a negative slope
  • These graphical representations can also use complex geometric shapes, such as 2D, 3D or 4D structures.
  • the step for processing the digital content expressing the narrative can advantageously comprise a step for detecting in said narrative content one or more breaks in tone, each break in tone initiating a new graphic representation different from that of the previous graphic representation.
  • the tones assigned to the story segments include, for example, a positive tone and a negative tone.
  • the graph construction step can then further comprise a step for assigning a first predetermined slope to any graphic representation corresponding to a segment or a series of segments presenting a positive tonality and a second predetermined slope to any portion of curve corresponding to a segment or a series of segments presenting a negative tonality.
  • the tones assigned to the story segments may further include a neutral tone.
  • the graph construction step can further comprise a step for assigning a substantially zero slope to any portion of curve corresponding to a segment or a series of segments exhibiting a neutral tonality.
  • the step of processing a digital content of a user's experience story can also be configured to determine in said story one or more adjuvants and one or more opponents according to an actantial scheme.
  • one or more opponents and/or one or more adjuvants can be determined by an artificial intelligence applied to the segments of the experience story.
  • one or more opponents and/or one or more adjuvants may be determined by a Natural Language Processing (NLP) tool.
  • NLP Natural Language Processing
  • one or more opponents and/or one or more adjuvants are determined respectively by identifying in the experience narrative one or more negative emotions and/or one or more positive emotions .
  • the processing method according to the invention may further comprise a step for determining, for an experience story of a user, a ratio of the number of adjuvants to the sum of the number of adjuvants and the number of opponents.
  • the processing method according to the invention When the processing method according to the invention is applied to an experience for which the user has issued an experience report and an experience rating, it further comprises a step for graphically positioning said experience on a matrix presenting on the ordinate a measurement of experience rating and on the abscissa a measurement of the ratio of the number of adjuvants to the sum of the number of adjuvants and the number of opponents.
  • the processing method according to the invention is applied to a plurality of experiences for each of which the user has issued an experience report and an experience rating, characterized in that said experiences are graphically positioned on the same matrix .
  • an application of the processing method according to the invention for recommending digital content to a user, comprising the following steps: a) segmenting this digital content into n segments, by following the grammatical structure and/or punctuation of each sentence constituting the experience story, b) for each segment: calculating a sentiment score, from data science libraries, comparing the words of said segment with a dictionary of emotions and assign said segment a positive, negative or neutral emotion, categorize said segment by an artificial intelligence previously trained on a corpus of labeled segments, according to five labels associated with an actantial scheme: quest, adjuvant, opponent, intensying step, neutral.
  • the step of recommendation is configured to transmit said experience recommendation content to at least one other user sharing at least one archetype with said first user.
  • the present invention is based on the fact that people who have experienced similar stories in the past and/or who have the same aspirations for the future are more likely to like each other, share common interests and form bonds. emotional. How these people will tell their stories matters as much as the content and outcome of their experiences, and helps to group people together within common archetypes.
  • the graph of each of the experiences in step e) is constructed by segmenting the customer story into n segments, a tone (positive, negative, neutral; neutral being optional) then being assigned to each of these segments by an Artificial Intelligence (AI), previously trained on a corpus of labeled segments, then by identifying the breaks in tone ((+ to -), (- to +), (+ to n to -), (- to n to +)) and by attributing a portion of curve with a positive directing coefficient of the straight line when the tonality of a segment, or of a series of segments is positive, and a portion of curve with a negative directing coefficient of the straight line when the tone of a segment, or of a sequence of segments, is negative.
  • AI Artificial Intelligence
  • the calculation of the similarity rate of the profile of each user compared to the reference user in step f) can also take into account the psychological and behavioral similarity and compatibility of the users, by comparing their psychological profiles and their personalities.
  • the term "user” in step a) may refer to a user composed of two or more people interacting with the same electronic object (such as, but not limited to: tablet, telephone, watch, voice speaker, device in a car).
  • This application further comprises a step for selecting all of the other users from a base of other users, on criteria of geographical proximity with the first user.
  • the first user and/or other users may include machines and/or robots and/or other intelligent systems such as artificial intelligences (AI).
  • AI artificial intelligences
  • connection recommendation information may comprise a voice communication of this recommendation information to the first user.
  • the similarity rate determination step may include a weighting of the different experiences experienced and/or imagined by the first user and/or by the other users.
  • Experience stories captured from other users are entered by voice recognition.
  • Experience stories captured from other users can be extracted from a blockchain and decrypted before being processed.
  • the step of capturing a plurality of experience stories can also be performed on a set of first users interacting with the same connected electronic object.
  • the postulate underlying the present invention is that people who have experienced similar stories are more likely to behave in the same way and therefore to belong to the same group of customers. From then on, we can recommend similar content to them.
  • content we mean any type of communication (email, call, sms, voice message, notification, etc.) but also any type of digital content (audio, music, podcast, video, film, series, image, text, book, product, experience, advertisement, event, place, etc.).
  • the graph of the experience in step c) is constructed by segmenting the customer story into n segments, a tone (positive, negative, neutral; neutral being optional) then being assigned to each of these segments by an Artificial Intelligence (AI), previously trained on a corpus of labeled segments, then by identifying the breaks in tone ((+ to -), (- to +), (+ to n to -), (- to n to +)) and by attributing a portion of curve with a positive directing coefficient of the straight line when the tonality of a segment, or of a series of segments is positive, and a portion of curve with a negative directing coefficient of the straight line when the tone of a segment, or of a sequence of segments, is negative.
  • the length and/or the slope of each portion of the curve is varied as a function of the associated tones of the n narrative segments.
  • the axes can be normalized between 0 and 1 or not.
  • the processing method applied to the content recommendation according to the invention may further comprise a step for analyzing a history of the experiences of each user in order to deduce therefrom a typical user profile and therefore to deduce therefrom a communication strategy suitable content.
  • the history of experiences can be placed in the matrix below (experience score vs ratio of adjuvants / adjuvants + opponents) in order to deduce a suitable content strategy.
  • the processing method according to the invention applied to the content recommendation can also comprise a step for analyzing experiences imagined and told in the form of writings or transcribed in writing ("In my ideal vacation, I would like to go camping, bathe quietly in the river but I will avoid being attacked by a bear"). Here we would have + / - tones, hence an “Icarus” type profile.
  • the experience history may further consider lived and imagined experiences rather than only lived or imagined experiences.
  • Segmentation by experiential archetypes of one of the previous processes can be combined with at least one of the classic customer segmentation methods (note of the experience, NPS / CES, sentiment analysis, use of geographic, demographic, socio-cultural, behavioral data, customer habits and purchasing acts, or numerical data such as the history of websites consulted, the history of films and series watched, pages or articles liked, customer interests, and/or profile information - such as birthdays).
  • the classic customer segmentation methods note of the experience, NPS / CES, sentiment analysis, use of geographic, demographic, socio-cultural, behavioral data, customer habits and purchasing acts, or numerical data such as the history of websites consulted, the history of films and series watched, pages or articles liked, customer interests, and/or profile information - such as birthdays).
  • FIG. 1 illustrates the main steps of the processing method according to the invention, applied to content recommendation;
  • Figure 2 illustrates examples of attribution of archetypes for experiences lived by two users;
  • FIG. 3 represents an example of a matrix of experiments implemented in the processing method according to the invention;
  • FIG. 4 illustrates an example of an experience graph analyzed according to an actantial diagram of Greimas;
  • Figure 5 illustrates a first example of a tone break between a positive-tone story segment and a negative-tone story segment;
  • Figure 6 illustrates a second example of a pitch break between a negative-tone story segment and a positive-tone story segment;
  • FIG. 7 illustrates a set of graphs of experiences and archetypes implemented in an example of implementation of the processing method according to the invention.
  • FIG. 8 illustrates a particular example of experiment graphs in which the curve portions have variable lengths
  • FIG. 9 illustrates a batch of experience narratives made up of experience narratives all presenting the same sequence of tones (+/-)
  • Figure 10 illustrates a batch of experience stories made up of experience stories presenting a sequence of tones (- / + / -) of different intensities.
  • the recommendation method according to the invention uses for this a new customer segmentation which is based on elementary graphs of experiences. Our postulate is that people who have experienced similar stories are more likely to behave in the same way and therefore to belong to the same group of customers. From then on, we can recommend similar content to them.
  • content we mean any type of communication (email, call, sms, voice message, notification, etc.) but also any type of digital content (audio, music, podcast, video, film, series, image, text, book, product, experience, advertisement, event, place, etc.). The process is applied each time the customer shares his experience in real time.
  • the result of the experiential archetype calculated by the algorithm will trigger a targeted and personalized content recommendation operation with each customer.
  • the experience story processing method consists in analyzing the experiences lived by a target customer base in real time, in order to determine a content recommendation strategy adapted to the experience that they have lived.
  • the content recommendation method according to the invention may further comprise in a step to analyze a history of the experiences of each customer in order to deduce therefrom a typical customer profile and therefore to deduce therefrom an appropriate content communication strategy, as shown in the example in Figure 2.
  • Each of them will belong to a cluster of different customers for whom the content recommendation engine will push different content.
  • the history of experiences can be placed in a matrix as shown in Figure 3 (experience score vs ratio of adjuvants / adjuvants + opponents) in order to deduce an appropriate content strategy.
  • a first method of calculating the ratio adjuvants / adjuvants + opponents consists in using the results of the artificial intelligence affixing labels on the segments of sentences (quest, adjuvants, opponents, intensying stage, neutral), or the 3 labels (tonality positive, negative tone, neutral tone).
  • the ratio is 3/4.
  • the second method consists of analyzing the structure of the sentence, identifying common nouns, pronouns and proper nouns, and classifying them as positive, neutral or negative elements using NLP (Natural Language Processing).
  • NLP Natural Language Processing
  • the third method also analyzes the structure of the sentence but is only interested this time in the emotions and qualifiers used. For example, the algorithm will identify elements considered here as adjuvants: “warm”, “very good”, “fresh”, “tasty”, “spicy but not too much”, “very good”; or “small”, “not very flashy” opponents.
  • a positive emotion will be qualified as adjuvants, and that a negative emotion will be qualified as opponents.
  • our system uses the clusters in the matrix to recommend content, CRM type, or for the customer directly.
  • the 5 elements wood, fire, earth, metal and water and all possible variations - "gold”, “silver”, “plank”, “rain”, “drop”, “puddle” . . .)
  • Linguistic isotopies i.e. according to Greimas [4], the redundancy of elements in a text allowing the latter to be understood, such as the redundancy of words from the same lexical field (e.g. rock, music, etc).
  • the treatment method according to the invention proposes a radically new approach: by applying the principle of emotional arc to everyday life experiences - because we know thanks to P. Taupin's thesis that an experience in the form of a story, by segmenting said stories into sentence segments, to deduce a tone per segment and therefore an associated graph, and by coupling these graphs together, in order to create 3D structures, feed an engine content recommendation, and ultimately offer content to users.
  • Method 1 the method of segments and AI
  • the first method to build the graph of an experiment consists of several steps:
  • the second method for constructing the graph of an experiment consists of:
  • NLP Natural Language Processing
  • artificial intelligence machine learning, deep learning
  • This third method is the most complete. It is based on the complete model established previously. 1.
  • the segmentation follows the grammatical structure of the sentence and/or the punctuation, and is done automatically, with reference to Table II below.
  • the size of the segments can vary and be limited to a word or a group of words.
  • the sentiment score of the segment is obtained by using classic functions from data science libraries.
  • the presence or absence of positive, neutral and/or negative emotions involves comparing the words of the segment with a dictionary of emotions classified into categories (+/-, neutral). Surprise, for example, is considered a neutral emotion.
  • our dictionary of emotions also contains a database of emojis associated with positive, neutral and/or negative emotions.
  • the objective is to determine whether the segment will be positive (+), neutral (n) or negative (-).
  • a positive segment corresponds to a positive customer feeling. And vice versa for a negative segment.
  • segment 2 If 3 elements are of the same sign (+/-) or neutral, the tonality is that of the 3 elements.
  • the sentiment score is 0.0066 (positive)
  • “warm” is an emotion classified as positive
  • “helpful” is considered positive by definition.
  • the tone of segment 2 will be positive.
  • the tone of the segment will be that of emotions.
  • the tone will be that of the artificial intelligence. In the case of segment no. 1, the tone will therefore be negative.
  • the tone will be that of the feeling score. In the case of segment n°5, the tone is therefore positive.
  • the processing method according to the invention is not limited solely to the previous case and can also operate:
  • the tone of the segment will then in all cases be that of the sentiment score of the segment. In this case, we would not use the emotions or the results of artificial intelligence.
  • the length and/or the slope of each portion of the curve is varied according to the associated tones of the n narrative segments.
  • the axes can be normalized between 0 and 1 or not.
  • a tone experience story (+ / + / + / -) or a tone experience story (- / - / +) could have the forms as represented in Figure 8.
  • This new graphic object can be referred to as an “experience pattern”.
  • This “experience pattern” can have reliefs.
  • the evolution over time of this indicator can help decision-makers improve and optimize the customer experience in question.
  • the batch of experience stories is relatively homogeneous because it is made up of experience stories all presenting the same sequence of tones (+ / -).
  • the batch of experience stories is not homogeneous because it consists of experience stories presenting a sequence of tones (- / + / -) of different intensities.
  • the segmentation of the digital content into n segments is done automatically by following the grammatical structure and/or the punctuation of each sentence constituting the experience story.
  • dictionaries made up of actantial markers, logical connectors, modality markers, repeat markers, meta-representative marks and punctuation markers interact with the analysis of the digital content of experience, in order to get out of the n segments in a way autonomous, without human intervention.
  • the categorization of the "National Center for Textual and Lexical Resources (cnrtl.fr)" https://www.cnrtl.fr/definition/) will be used.
  • the step of calculating the sentiment score is based on two artificial intelligence algorithms, one operating by supervised learning (IA1), the other unsupervised (IA2).
  • IA1 is trained on the basis of a corpus of ad hoc segments.
  • the sentiment score assigned to each segment of sentences comes from the average of the sentiment scores found by IA1 and IA2, with each segment then added to IA's learning base for continuous learning, provided that the sentiment score feeling is verified.
  • the "Google Sentiment analysis" API may be used as an AI to give a sentiment score.
  • the emotion is confirmed. Otherwise a textual and phonetic similarity algorithm is used, because the emotions may represent the same idea, but have been spelled incorrectly or not completely. If the textual and phonetic similarity score has a value greater than 0.7, then the emotion is also confirmed.
  • the method according to the invention has identified in the sentence segment several positive, negative or neutral expressed emotions, the arbitrary average of the expressed emotions is calculated.
  • the method according to the invention provides for a categorization of a segment by an artificial intelligence previously trained on a corpus of labeled segments, according to a predetermined number of labels associated with an actantial schema. This step consists of comparing the n variables of the prior labels to a segment according to the results of the sentiment scores, the emotions found and the elements of the actantial schema.
  • a characterization algorithm identifies for each word its classification according to a database which includes the words of the French language classified according to their type in the actantial schema: adjuvant, opponent, thanks to an automatic coding system, developed by researchers in science of the language referenced above.
  • the tone of a segment is built from the formula below:
  • the tone formula is formulated in the same way according to the emotions found and labels of the actantial schema.
  • the result can take the following form +++, ++-, +++, ++++, -+, ++-+-, ++
  • the concatenated tones are of different lengths and are then automatically reduced to more standard and generic patterns (or patterns) - removing repetitions of the same tones via a 'substitute' function.
  • each archetype can be assigned a geometric shape by searching for the geometric shape corresponding to the closest archetype in a predetermined database.
  • the geometric shape of the digital content can also be constructed from the concatenation of tones directly, thanks to a smoothing function.
  • the juxtaposition of the profiles of the different experiences according to the archetypes can give interpolation functions of the surfaces which translate the visual representation of all the experiences analyzed.
  • artificial intelligence compares the tone of segment n with the tone of segment n + 1. If these are different, then the tone break occurs.

Abstract

Procédé mis en œuvre par ordinateur pour traiter un contenu numérique exprimant un récit d'une expérience vécue et/ou imaginée par un utilisateur, comprenant les étapes suivantes : - capturer au moins un contenu numérique exprimant un récit d'une expérience vécue et/ou imaginée par ledit utilisateur, - traiter ledit contenu numérique de récit d'expérience, en le segmentant en n segments de récit présentant chacun une tonalité homogène, - construire un graphe associé à ladite expérience, par concaténation de représentations graphiques correspondant chacune à un desdits n segments de récit, - comparer ledit graphe d'expérience par rapport à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l'archétype correspondant à ladite expérience.

Description

Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences
DOMAINE DE L’INVENTION
La présente invention concerne un procédé pour traiter un contenu numérique exprimant un récit d’une expérience vécue et/ou imaginée par un utilisateur. Elle vise également des applications de procédé de traitement pour la recommandation de contenus ou d’expérience ainsi que pour la mise en relation de plusieurs utilisateurs.
ETAT DE LA TECHNIQUE
Dans toutes les stratégies marketing se pose la nécessité pour les marques de segmenter leurs clients, afin de mieux communiquer avec eux, adapter l’offre produit et expérientielle à leurs besoins, leur recommander du contenu, les cibler avec des publicités et/ou affiner les modèles d’intelligence artificielle pour mieux prédire des données commerciales ou métiers.
La plupart des méthodes traditionnelles consistent à segmenter les clients suivant des données géographiques, démographiques, socio-culturelles, comportementales, et/ou des habitudes clients et actes d’achats. Des données numériques comme l’historique des sites web consultés, l’historique des films et séries visionnés, les pages ou articles likés, les intérêts des clients, et/ou les informations sur leur profil - comme les anniversaires - peuvent également aider à cibler l’audience.
Toutefois avec la popularisation des réseaux sociaux et de la culture du feedback omniprésente, nombre de commentaires clients, avis de consommateurs et récits sont publiés tous les jours sur Internet et/ou partagés directement avec les marques. La plupart du temps ces commentaires sont écrits par des utilisateurs soucieux de partager leurs expériences vécues. Ces commentaires peuvent prendre la forme d’écrits, d’écrits composés d’émoji ou d’autres formes figuratives représentant leurs émotions mais également de courtes vidéos et images partagées. Ils sont le plus souvent associés à une note de l’expérience, par exemple sous la forme d’étoiles. Nous partons ici du principe qu’une expérience partagée par la voix peut être retranscrite en texte facilement via des STT (speech-to-text).
Dès lors, de nouvelles méthodes de segmentation clients basées sur des commentaires ont été proposées.
Tout d’abord, la méthode la plus commune utilise la note attribuée aux expériences : par exemple, on créé un premier cluster de personnes qui ont mis 5/5, puis un deuxième cluster de personnes qui ont mis 4/5, puis 3/5, 2/5 et 1/5. La deuxième méthode utilise le NPS (Net Promoter Score). Les clients sont invités à noter leurs expériences selon une échelle de 0 à 10 (ou 1 à 10). Les personnes qui attribuent une note inférieure ou égale à 6 sont appelées « Detractors », ceux qui attribuent 7 ou 8 sont appelés les « Passives », tandis que ceux qui donnent 9 ou 10 sont les « Promoters ». Le NPS se calcule par : % Promoters - % Detractors x 100. On regroupe donc les personnes en 3 catégories : les Promoters, Passives et Detractors. A noter que le Customer Effort Score (CES) est un indicateur de l'expérience client inspiré par le principe du NPS et promu au sein de la Harvard Business Review en 2010 [1],
Le CES obéit à une logique différente de celui du NPS car il ne mesure pas directement une satisfaction, mais une estimation globale de l'effort fourni par le client.
La troisième méthode consiste à utiliser l’analyse de sentiments et s’intéresse cette fois au contenu écrit par les clients (en anglais : sentiment analysis). Par exemple, les personnes qui ont un avis plutôt positif (valeur entre 0 exclus et 1 du sentiment analysis) seront regroupées ensemble. De la même manière pour ceux qui ont eu un sentiment plutôt négatif (valeur entre -1 et 0 exclus). Les valeurs autour de 0 peuvent être associées à des personnes qui ont un avis neutre. A noter que de nombreux algorithmes existent pour attribuer un « sentiment score » (« pour note de sentiment ») à des commentaires écrits et qu’ils peuvent aussi qualifier un sentiment positif : par exemple si un client écrit « délicieux » le sentiment score sera autour de 0.8 (proche de 1) alors que « correct » sera autour de 0.2.
Toutefois force est de constater que la plupart des méthodes précédemment citées s’intéressent au résultat de l’expérience (la note attribuée avec des étoiles, les NPS / CES) ou à leur sentiment global (positif, négatif, neutre) mais pas au contenu réel et au récit de ces personnes. Par conséquent la segmentation n’en est que peu précise et difficilement représentative.
Ce système se base non pas sur la note globale donnée par les clients mais sur ce qu’ils ont raconté.
Le document US9762733B1 divulgue un système pour recommander un support de communication pour interagir avec un client d'un centre de contact, ce système comprenant: un processeur; et une mémoire, dans laquelle la mémoire contient des instructions qui, lorsqu'elles sont exécutées par le processeur, amènent le processeur à: détecter une première interaction via un premier support avec le client; identifier une pluralité de supports de communication sur la base de contraintes pour déterminer un ou plusieurs supports de communication candidats qui sont différents du premier support pour une seconde interaction avec le client; pour chaque support de communication des supports de communication candidats, estimer une valeur attendue à obtenir en utilisant le support de communication pour la seconde interaction; et sélectionner un support de communication particulier des supports de communication candidats sur la base des estimations pour établir la seconde interaction via le support de communication sélectionné. Aujourd'hui la recommandation d'utilisateurs se fait par des graphes relationnels. On recommande les utilisateurs qui sont le plus proches de nous socialement parlant, ou qui ont des amis en commun, qui sont dans les mêmes groupes, dans le même cercle de relations autour de nous, etc. Facebook par exemple utilise des « social graphs » pour recommander des utilisateurs.
On recommande également des utilisateurs parce qu’ils ont aimé notre profil et nous aussi en retour, ou parce que nous avons des affinités en commun, parce qu’ils sont les plus désirables ou les plus « désidérables » (score Elo), les plus actifs, ou les plus populaires (exemple Tinder).
Également parce qu’ils correspondent à nos préférences, à nos intérêts, à notre catégorie sociale, ou simplement parce qu’ils sont les plus proches géographiquement.
Une combinaison de ces critères peut aussi être utilisée. Toutefois force est de constater qu’on ne peut limiter l’humain et les relations sociales à ce type de critères.
La vie étant une suite d’expériences, chaque être humain est façonné par les expériences qu’il vit, par les histoires qu’il vit, peu importe la teneur de ces expériences, ainsi que par les expériences qu’il souhaite vivre dans un futur proche.
Le document FR3086413A1 divulgue un procédé de traitement de données de contenus d'expériences, comprenant des étapes de capture desdites données de contenus d'expériences, et d’agrégation desdites données de contenus d'expériences à l'intérieur d'une chaîne de blocs expérientielle.
Le document FR2973133A1 divulgue un procédé d’actualisation et de création de profils d’utilisateur, de recommandation de contenu et de construction d’une liste de contenus.
Le document Ghani Usman et al. « a fuzzy logic Based Intelligent System for Measuring Customer Loyalty and Decision Making », SYMETRY, vol,10,no.l2, 17 décembre 2018, page 761, XP055923278, divulgue un système intelligent basé sur la logique floue pour mesurer la fidélité des clients et la prise de décision.
Le document WO 2016/025490A1 divulgue un procédé et système pour modéliser des expériences d’interaction client.
Le document WO 2013/170344A1 divulgue un procédé et système concernant une analyse de sentiment d’un contenu électronique.
Le but de l’invention est de proposer un nouveau concept de traitement d’un contenu numérique exprimant un récit d’expérience vécue et/ou imaginée par un utilisateur, qui dépasse les limitations et inconvénients des procédés de traitement de l’art antérieur. Un autre objectif de l’invention est de proposer des applications du traitement de contenu numérique exprimant un récit d’expériences permettant de proposer des outils de recommandation de contenus ou de mise en relation d’utilisateurs. DEFINITIONS
Contenu numérique : tout type de fichier numérique, qu’il soit audio, textuel ou visuel
Récit d’une expérience : restitution séquentielle sous forme narrative d’une expérience
NLP Natural Language Processing ou TALN (Traitement
Automatique du Langage Naturel)
Tonalité : la technique connue dite d’analyse des sentiments (sentiment analysis) permet de déterminer la tonalité d’un texte afin de constater s’il évoque un sentiment positif, négatif ou neutre
Graphe : un ensemble de sommets reliés par un ensemble d’arcs ou d'arêtes
Archétype : Type idéal servant de modèle. Il peut également représenter un symbole sous quelque forme que ce soit, pouvant apparaître dans différentes cultures.
Note de sentiment : pour « Sentiment Score » : une note de sentiment peut être calculée par des algorithmes qui évaluent la tonalité d’une transcription sur un spectre allant du positif au négatif. La note (ou score) peut par exemple être calculé comme le rapport des déclarations positives et négatives de l'ensemble de l'appel, sur un score de -1 à +1, zéro étant neutre.
Dictionnaire des émotions : compilation de mots, de représentations graphiques et d’icônes (tels que des emojis) utilisés pour exprimer des sentiments et des émotions, par exemple sous la forme d’une base de données.
EXPOSE DE L’INVENTION
Cet objectif est atteint avec un procédé mis en œuvre par ordinateur pour traiter un contenu numérique exprimant un récit d’une expérience vécue ou imaginée par un utilisateur, comprenant les étapes suivantes : a) segmenter ce contenu numérique en n segments, en suivant la structure grammaticale et/ou la ponctuation de chaque phrase constituant le récit d’expérience, b) pour chaque segment: calculer un score de sentiment, à partir de bibliothèques de data science, comparer les mots dudit segment avec un dictionnaire d’ émotions et attribuer audit segment une émotion positive, négative ou neutre, catégoriser ledit segment par une intelligence artificielle préalablement entraînée sur un corpus de segments étiquetés, suivant un nombre prédéterminé d’étiquettes associées à un schéma actantiel, c) calculer une tonalité dudit segment, à partir du score de sentiment, de l’émotion trouvées dans le dictionnaire des émotions, et l’étiquette de schéma actantiel, d) associer à chaque segment une forme géométrique prédéterminée représentative de la tonalité dudit segment ainsi calculée, e) détecter dans ledit contenu numérique une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, f) construire un graphe associé à ladite expérience, par concaténation des formes géométriques correspondant chacune à un desdits n segments de récit, ledit graphe d’expérience ainsi construit intégrant ladite ou lesdites ruptures de tonalité préalablement détectées, g) comparer ledit graphe d’expérience ainsi construit à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience.
On entend ici par contenu numérique tout type de fichier numérique, qu’il soit audio, textuel ou visuel, exprimant un récit d’expérience.
Dans le procédé selon l’invention, on traite et on segmente le récit d’expérience en n segments de récit présentant chacun une tonalité homogène. Ensuite, on attribue à chaque type de tonalités une représentation graphique, par exemple :
Les tonalités positives seront associées à des portions de courbe à pente positive
Les tonalités négatives seront associées à des portions de courbe à pente négative
Toutefois, la présente invention ne se limite pas à ce type de représentation graphique :
On peut également considérer des représentations graphiques utilisant des formes géométriques simples comme les carrés, cercles et triangles, par exemple :
Les tonalités positives seront associées à des carrés □ (par convention)
Les tonalités négatives seront associées à des triangles A
Un récit d’expérience à tonalité (+ / -) deviendra donc : □ A, alors qu’un récit à tonalité (+ / - / -) sera transformé en la suite de formes suivantes : □ A A
Ces représentations graphiques peuvent également utiliser des formes géométriques complexes, comme des structures en 2D, 3D ou 4D.
Enfin, l’utilisation d’icônes, symboles, gif et emoji est également possible. L’étape de traitement du contenu numérique exprimant le récit peut avantageusement comprendre une étape pour détecter dans ledit contenu de récit une ou plusieurs ruptures de tonalité, chaque rupture de tonalité initiant un nouvelle représentation graphique différente de celle de la représentation graphique précédente.
Les tonalités attribuées aux segments de récit comprennent par exemple une tonalité positive et une tonalité négative.
Lorsque les représentations graphiques utilisent des portions de courbe, l’étape de construction de graphe peut alors en outre comprendre une étape pour attribuer une première pente prédéterminée à toute représentation graphique correspondant à un segment ou une suite de segments présentant une tonalité positive et une seconde pente prédéterminée à toute portion de courbe correspondant à un segment ou une suite de segments présentant une tonalité négative. Les tonalités attribuées aux segments de récit peuvent en outre comprendre une tonalité neutre. L’étape de construction de graphe peut en outre comprendre une étape pour attribuer une pente sensiblement nulle à toute portion de courbe correspondant à un segment ou une suite de segments présentant une tonalité neutre.
L’étape de traitement d’un contenu numérique de récit d’expérience d’un utilisateur peut en outre être configurée pour déterminer dans ledit récit un ou plusieurs adjuvants et un ou plusieurs opposants selon un schéma actantiel.
Dans un premier mode de réalisation de l’invention, un ou plusieurs opposants et/ou un ou plusieurs adjuvants peuvent être déterminés par une intelligence artificielle appliquée sur les segments du récit d’expérience.
Dans un second mode de réalisation de l’invention, un ou plusieurs opposants et/ou un ou plusieurs adjuvants peuvent être déterminés par un outil de traitement en langage naturel (« Natural Language Processing ») ou NLP).
Dans un troisième mode de réalisation de l’invention, un ou plusieurs opposants et/ou un ou plusieurs adjuvants sont déterminés respectivement par identification dans le récit d’expérience d’une ou plusieurs émotions négatives et/ou d’une ou plusieurs émotions positives.
Le procédé de traitement selon l’invention peut en outre comprendre une étape pour déterminer, pour un récit d’expérience d’un utilisateur, un ratio du nombre d’adjuvants sur la somme du nombre d’adjuvants et du nombre d’opposants.
Lorsque le procédé de traitement selon l’invention est appliqué à une expérience pour laquelle l’utilisateur a émis un récit d’expérience et une note d’expérience, il comprend en outre une étape pour positionner graphiquement ladite expérience sur une matrice présentant en ordonnée une mesure de note d’expérience et en abscisse une mesure du ratio du nombre d’adjuvants sur la somme du nombre d’adjuvants et du nombre d’opposants. Lorsque le procédé de traitement selon l’invention est appliqué à une pluralité d’expériences pour chacune desquelles l’utilisateur a émis un récit d’expérience et une note d’expérience, caractérisé en ce que lesdites expériences sont positionnées graphiquement sur la même matrice.
Lorsque le procédé de traitement selon l’invention est appliqué à une pluralité d’utilisateurs ayant vécu chacun une plusieurs expériences, lesdites expériences sont positionnées graphiquement sur la même matrice.
Suivant un autre aspect de l’invention, il est proposé une application du procédé de traitement selon l’invention, pour la recommandation d’un contenu numérique à un utilisateur, comprenant les étapes suivantes : a) segmenter ce contenu numérique en n segments, en suivant la structure grammaticale et/ou la ponctuation de chaque phrase constituant le récit d’expérience, b) pour chaque segment: calculer un score de sentiment, à partir de bibliothèques de data science, comparer les mots dudit segment avec un dictionnaire d’émotions et attribuer audit segment une émotion positive, négative ou neutre, catégoriser ledit segment par une intelligence artificielle préalablement entraînée sur un corpus de segments étiquetés, suivant cinq étiquettes associées à un schéma actantiel : quête, adjuvant, opposant, étape glorifiante, neutre. c) calculer une tonalité dudit segment, à partir du score de sentiment, de l’émotion trouvées dans le dictionnaire des émotions, et l’étiquette de schéma actantiel, d) associer à chaque segment une forme géométrique prédéterminée représentative de la tonalité dudit segment ainsi calculée, e) détecter dans ledit contenu numérique une une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, f) construire un graphe associé à ladite expérience, par concaténation des formes géométriques correspondant chacune à un desdits n segments de récit, ledit graphe d’expérience ainsi construit intégrant ladite ou lesdites ruptures de tonalité préalablement détectées, g) comparer ledit graphe d’expérience ainsi construit à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience, h) extraire d’une ou plusieurs bases de données, au moins un contenu correspondant audit archétype ainsi identifié, i) transmettre audit utilisateur une information de recommandation dudit au moins un contenu ainsi extrait.
Pour une application dans laquelle le contenu recommandé comprend un contenu de recommandation d’une expérience vécue et/ou imaginée par un premier utilisateur, l’étape de recommandation est configurée pour transmettre ledit contenu de recommandation d’expérience à au moins un autre utilisateur partageant au moins un archétype avec ledit premier utilisateur. Suivant encore un autre aspect de l’invention, il est proposé une application du procédé de traitement selon l’une quelconque des revendications 1 à 11, pour recommander une mise en relation entre des utilisateurs, un premier utilisateur ayant émis une pluralité de contenus numérique exprimant des récits d’expériences, comprenant les étapes suivantes : pour chacun desdits contenus numériques : a) segmenter ce contenu numérique en n segments, en suivant la structure grammaticale et/ou la ponctuation de chaque phrase constituant le récit d’expérience, b) pour chaque segment: calculer un score de sentiment, à partir de bibliothèques de data science, comparer les mots dudit segment avec un dictionnaire d’émotions et attribuer audit segment une émotion positive, négative ou neutre, catégoriser ledit segment par une intelligence artificielle préalablement entraînée sur un corpus de segments étiquetés, suivant cinq étiquettes associées à un schéma actantiel : quête, adjuvant, opposant, étape glorifiante, neutre, c) calculer une tonalité dudit segment, à partir du score de sentiment, de l’émotion trouvées dans le dictionnaire des émotions, et l’étiquette de schéma actantiel, d) associer à chaque segment une forme géométrique prédéterminée représentative de la tonalité dudit segment ainsi calculée, e) détecter dans ledit contenu numérique une une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, f) construire un graphe associé à ladite expérience, par concaténation des formes géométriques correspondant chacune à un desdits n segments de récit, ledit graphe d’expérience ainsi construit intégrant ladite ou lesdites ruptures de tonalité préalablement détectées, g) comparer ledit graphe d’expérience ainsi construit à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience, reproduire lesdites étapes précitées pour un ensemble prédéterminé d’autres utilisateurs, de façon à attribuer à chacun desdits autres utilisateurs une pluralité d’archétypes correspondant à leurs récits d’expérience, déterminer pour chaque autre utilisateur un taux de similarité avec ledit premier utilisateur, comme étant le rapport du nombre d’archétypes communs avec ledit premier utilisateur sur le nombre total d’archétypes identifiés à partir de la pluralité d’expériences, transmettre audit premier utilisateur une information de recommandation de mise en relation avec des autres utilisateurs présentant un taux de similarité supérieur à un seuil de similarité prédéterminé.
La présente invention est basée sur le fait que des personnes qui ont vécu des histoires similaires dans le passé et/ou qui ont les mêmes aspirations pour le futur ont plus de chances de s’apprécier, de partager des intérêts communs et de nouer des liens affectifs. La manière dont ces personnes vont raconter leurs histoires importe autant que le contenu et le résultat de leurs expériences, et permet de regrouper les personnes ensemble au sein d’archétypes communs.
Il s’agit ainsi de proposer de manière rapide et fiable des utilisateurs pertinents à chacun de ces individus. Ce procédé peut être utile pour des sites de rencontres et recommander des profils de personnes qui ont une grande similarité expérientielle par rapport à nous. Ou également au sein de réseaux sociaux pour proposer de nouveaux « amis » (Facebook, Linkedln), ou de plateformes communautaires pour recommander des nouveaux utilisateurs.
Dans un mode avantageux de réalisation, le graphe de chacune des expériences à l’étape e) est construit en segmentant le récit client en n segments, une tonalité (positive, négative, neutre ; neutre étant optionnelle) étant ensuite attribuée à chacun de ces segments par une Intelligence Artificielle (IA), préalablement entraînée sur un corpus de segments étiquetés, puis en identifiant les ruptures de tonalité ((+ à -), (- à +), (+ à n à -), (- à n à +)) et en attribuant une portion de courbe avec un coefficient directeur de la droite positif lorsque la tonalité d’un segment, ou d’une suite de segments est positive, et une portion de courbe avec un coefficient directeur de la droite négatif lorsque la tonalité d’un segment, ou d’une suite de segments est négative. Nous appellerons ces graphes des « experience graphs ».
Le calcul du taux de similarité du profil de chaque utilisateur par rapport à l’utilisateur de référence à l’étape f) peut également prendre en compte la similarité et compatibilité psychologique et comportementale des utilisateurs, en comparant leurs profils psychologiques et leurs personnalités.
Le terme "utilisateur" de l’étape a) peut désigner un utilisateur composé de deux personnes ou plus interagissant avec le même objet électronique (comme par exemple mais sans s’y limiter : tablette, téléphone, montre, enceinte vocale, dispositif dans une voiture).
Cette application comprend en outre une étape pour sélectionner l’ensemble des autres utilisateurs à partir d’une base d’autres utilisateurs, sur des critères de proximité géographique avec le premier utilisateur. Le premier utilisateur et/ou les autres utilisateurs peuvent comprendre des machines et/ou des robots et/ou autres systèmes intelligents tels que des intelligences artificielles (IA).
En particulier, on peut avantageusement prévoir une intelligence artificielle à « apprentissage non supervisé » (Unsupervised learning) capable de comprendre et déterminer la tonalité de chaque segment automatiquement sans ou avec peu d’entrainement préalable.
L’étape de transmission d’une information de recommandation de mise en relation peut comprendre une communication vocale de cette information de recommandation au premier utilisateur.
L’étape de détermination de taux de similarité peut comprendre une pondération des différentes expériences vécues et/ou imaginées par le premier utilisateur et/ou par les autres utilisateurs.
Les récits d’expérience captés auprès des autres utilisateurs sont saisis par reconnaissance vocale. Les récits d’expérience captés auprès des autres utilisateur peuvent être extraits d’une blockchain et décryptés avant d’être traités.
On peut aussi prévoir une étape pour transmettre au premier utilisateur une information de recommandation de mise en relation avec des autres utilisateurs présentant un taux de similarité inférieur à un taux maximum prédéterminé.
L’étape de capture d’une pluralité de récits d’expériences peut en outre être réalisée sur un ensemble de premiers utilisateurs interagissant avec un même objet électronique connecté.
Le procédé de traitement selon l’invention et son application pour la recommandation de contenus utilisent pour cela une segmentation clients nouvelle qui se base sur des graphes élémentaires d’expériences. Le postulat à la base de la présente invention est que des personnes qui ont vécu des histoires similaires ont plus de chances de se comporter de la même manière et donc d’appartenir à un même groupe de clients. Dès lors, on peut leur recommander du contenu similaire.
Par « contenu », on entend tout type de communication (email, appel, sms, message vocal, notification, etc.) mais aussi tout type de contenu digital (audio, musique, podcast, vidéo, film, série, image, texte, livre, produit, expérience, publicité, évènement, lieu, etc.).
Dans un mode préféré de réalisation, le graphe de l’expérience à l’étape c) est construit en segmentant le récit client en n segments, une tonalité (positive, négative, neutre ; neutre étant optionnelle) étant ensuite attribuée à chacun de ces segments par une Intelligence Artificielle (IA), préalablement entraînée sur un corpus de segments étiquetés, puis en identifiant les ruptures de tonalité ((+ à -), (- à +), (+ à n à -), (- à n à +)) et en attribuant une portion de courbe avec un coefficient directeur de la droite positif lorsque la tonalité d’un segment, ou d’une suite de segments est positive, et une portion de courbe avec un coefficient directeur de la droite négatif lorsque la tonalité d’un segment, ou d’une suite de segments est négative. Dans mode particulier de mise en œuvre du procédé de traitement selon l’invention, on fait varier la longueur et/ou la pente de chaque portion de courbe en fonction des tonalités associées des n segments de récit. Les axes peuvent être normés entre 0 et 1 ou non.
Le procédé de traitement appliqué à la recommandation de contenu selon l’invention peut en outre comprendre une étape pour analyser un historique des expériences de chaque utilisateur afin d’en déduire un profil type d’utilisateur et donc d’en déduire une stratégie de communication de contenu adaptée.
L’historique des expériences peut être placé dans la matrice ci-dessous (note de l’expérience vs ratio d’adjuvants / adjuvants + opposants) afin d’en déduire une stratégie de contenu adaptée.
Le procédé de traitement selon l’invention appliqué à la recommandation de contenu peut en outre comprendre une étape pour analyser des expériences imaginées et racontées sous la forme d’écrits ou retranscrites par écrit (« Dans mes vacances idéales, je souhaiterais faire du camping, me baigner tranquillement dans la rivière mais j’éviterai de me faire attaquer par un ours »). Ici on aurait des tonalités + / - d’où un profil de type « Icarus ».
L’historique d’expériences peut en outre prendre en compte des expériences vécues et imaginées plutôt que des expériences vécues uniquement ou imaginées uniquement.
La segmentation par archétypes expérientiels de l’un des précédents procédés (temps réel, historique réel, historique réel dans matrice, expérience(s) imaginée(s)) peut être combinée à au moins une des méthodes classiques de segmentation clients (note de l’expérience, NPS / CES, analyse de sentiments, utilisation de données géographiques, démographiques, socio-culturelles, comportementales, des habitudes clients et actes d’achats, ou de données numériques comme l’historique des sites web consultés, l’historique des films et séries visionnés, les pages ou articles likés, les intérêts des clients, et/ou les informations sur leur profil - comme les anniversaires).
DESCRIPTION DES FIGURES la Figure 1 illustre les principales étapes du procédé de traitement selon l’invention, appliqué à la recommandation de contenus ; la Figure 2 illustre des exemples d’attribution d’archétypes pour des expériences vécues par deux utilisatrices ; la Figure 3 représente un exemple d’une matrice d’expériences mise en œuvre dans le procédé de traitement selon l’invention ; la Figure 4 illustre un exemple d’un graphe d’expérience analysé suivant un schéma actantiel de Greimas ; la Figure 5 illustre un premier exemple de rupture de tonalité entre un segment de récit à tonalité positive et un segment de récit à tonalité négative ; la Figure 6 illustre un second exemple de rupture de tonalité entre un segment de récit à tonalité négative et un segment de récit à tonalité positive ; la Figure 7 illustre un ensemble de graphes d’expériences et d’archétypes mis en œuvre dans un exemple de mise en œuvre du procédé de traitement selon l’invention. ; la Figure 8 illustre un exemple particulier de graphes d’expérience dans lesquels les portions de courbe présentent des longueurs variables ; la Figure 9 illustre un lot de récits d’ expérience constitué de récits d’ expérience présentant tous la même suite de tonalités (+ / -) ; la Figure 10 illustre un lot de récits d’expérience constitué de récits d’expérience présentant une suite de tonalités (- / + / -) d’intensités différentes.
DESCRIPTION DETAILLEE
En référence à la Figure 1, le procédé de recommandation selon l’invention utilise pour cela une segmentation clients nouvelle qui se base sur des graphes élémentaires d’expériences. Notre postulat est que des personnes qui ont vécu des histoires similaires ont plus de chances de se comporter de la même manière et donc d’appartenir à un même groupe de clients. Dès lors, on peut leur recommander du contenu similaire.
Par « contenu », on entend tout type de communication (email, appel, sms, message vocal, notification, etc.) mais aussi tout type de contenu digital (audio, musique, podcast, vidéo, film, série, image, texte, livre, produit, expérience, publicité, évènement, lieu, etc.). On applique le procédé à chaque fois que le client partage son expérience en temps réel.
Le résultat de l’archétype expérientiel calculé par l’algorithme va déclencher une opération de recommandation de contenu ciblée et personnalisée auprès de chaque client.
Client A: Claude Client B: Christine
Experience 4 A Mowgli Experience 9 A Icarus
Par exemple dans le cas de Claude, si l’expérience 4 vient d’être partagée, on peut considérer qu’elle a été positive (tonalité positive, archétype Mowgli), la communication qui s’en suit peut être une opération de fidélisation client via une invitation par email à des évènements ou des bons de réduction sur sa prochaine commande. Il s’agit ici plutôt d’un contenu CRM (Customer Relationship Management).
Dans le cas de Christine, le système vient de calculer que son expérience 9 était mitigée : bien qu’elle ait commencée sur une tonalité positive, celle-ci s’est terminée sur une tonalité négative d’où un archétype Icarus (+/-). Imaginons que la cause est qu’il y avait beaucoup de monde dans le restaurant où elle a vécu cette expérience. Le fait d’avoir analysé la cause de ce désagrément client peut déclencher un mail automatique vers Christine pour solutionner son problème (par exemple l’inviter à une heure où il y aura moins de monde) ou simplement lui envoyer un mail d’excuse pour son désagrément avec le remboursement automatique de son expérience, ceci afin de garantir la meilleure satisfaction client en temps réel.
Dès lors, il apparaît possible pour les marques de cibler des archétypes expérientiels en particulier. Par exemple toutes les personnes qui ont vécu des choses négatives au début mais ont fini par une note positive, de cibler les « pain points » (problèmes) à traiter, cibler la CRM en fonction, regarder quels profils sont associés à tels actes d’achats ou de construire une stratégie en particulier (les Robin Hood on les fidélise, on appelle par téléphone les Romeo et Juliet, et on offre des réductions aux Icarus).
En somme, le procédé de traitement de récit d’expérience selon l’invention consiste à analyser les expériences vécues par une base de clients cible en temps réel, afin d’en déterminer une stratégie de recommandation de contenu adaptée à l’expérience qu’ils ont vécu.
Le procédé de recommandation de contenu selon l’invention peut en outre comprendre en une étape pour analyser un historique des expériences de chaque client afin d’en déduire un profil type de client et donc d’en déduire une stratégie de communication de contenu adaptée, comme l’illustre l’exemple de la figure 2.
Des données d’archétype représentées en figure 2, on peut déduire que :
Claude est à 75% Mowgli et 25% Icarus.
Christine est 67 % Mowgli, 22% Icarus et 11% Robin Hood
Chacun d’entre eux appartiendra à un cluster de clients différents pour qui le moteur de recommandation de contenu va pousser différents contenus.
L’analyse de cet historique d’archétypes expérientiels peut déclencher une opération de recommandation de contenu directement pour le client. Imaginons que les expériences 3 et 4 de Claude et Christine ont été vécues dans des lieux similaires pour le même type d’expérience. Puisque Claude et Christine ont très bien aimé ces expériences, et que Christine a très bien aimé l’expérience 5, on pourrait recommander l’expérience 5 de Christine à Claude. Notre procédé devient alors un moteur de recommandation d’expériences inter utilisateurs utilisant le graphe des expériences associé comme base de comparaison. Il peut également recommander des lieux expérientiels, c’est-à-dire des lieux dans lesquels nous pouvons vivre une expérience spécifique, physique, digitale, virtuelle ou une combinaison des types d’expériences précédentes. Construction d’une matrice d’expériences
L’historique des expériences peut être placé dans une matrice telle que représentée en Figure 3 (note de l’expérience vs ratio d’adjuvants / adjuvants + opposants) afin d’en déduire une stratégie de contenu adaptée.
Une première méthode de calcul du ratio adjuvants / adjuvants + opposants, consiste à utiliser les résultats de l’intelligence artificielle apposant des étiquettes sur les segments de phrases (quête, adjuvants, opposants, étape glorifiante, neutre), ou les 3 étiquettes (tonalité positive, tonalité négative, tonalité neutre). Dans notre exemple, nous avons 3 étiquettes « adjuvants » et 1 étiquette « opposants », le ratio est donc 3/4.
La deuxième méthode consiste à analyser la structure de la phrase, identifier les noms communs pronoms et noms propres, et les classer comme éléments positifs, neutres ou négatifs en utilisant du NLP (Natural Language Processing). Ainsi le système trouvera comme adjuvants : « l’accueil » (chaleureux), « les plats » (très bon), le « rapport qualité prix » (très bon) et comme opposants : le « restaurant » (petit et pas très clinquant) d’où le ratio adjuvants / adjuvants + opposants de 3/4.
La troisième méthode analyse également la structure de la phrase mais s’intéresse cette fois uniquement aux émotions et qualificatifs employés. Par exemple, l’algorithme va identifier des éléments considérés ici comme des adjuvants : « chaleureux », « très bon », « frais », « gouteux », « piquant mais pas trop », « très bon » ; ou des opposants « petit », « pas très clinquant ». Le ratio adjuvants / adjuvants + opposants sera donc 6/8 = 3/4 = 0,75. Nous considérons ici qu’une émotion positive sera qualifiée d’adjuvants, et qu’une émotion négative sera qualifiée d’opposants.
Dans le cas des neuf expériences de Christine, on en déduit les données portées sur la matrice illustrée en Figure 2.
Une fois les expériences de chaque client positionnées sur cette matrice, notre système utilise les clusters dans la matrice pour recommander du contenu, type CRM, ou pour le client directement.
Par exemple, si un autre personne a ses expériences positionnées dans les mêmes zones de la matrice que celles de Christine, avec les mêmes archétypes associés, alors elle aura plus de chances de se comporter de la même manière que Christine. On pourra donc leur recommander le même type de contenu.
Structure et composition d’une expérience
Tout commentaire posté sur Internet est avant tout un récit. Un récit qui peut être complet ou incomplet, détaillé ou non, mais un récit. Cela a été démontré dans la littérature par la thèse de Philippe Taupin [2] dans laquelle l’auteur établit que chaque expérience vécue ou imaginée a la structure d’un récit et obéit donc au schéma actantiel de Greimas [3], Dans ce-demier, un personnage, le héros, poursuit la quête d'un objet. Les personnages, événements, ou objets positifs qui l'aident dans sa quête sont nommés « adjuvants ». Les personnages, événements ou objets négatifs qui cherchent à empêcher sa quête sont nommés « opposants ».
En transposant ce modèle de narratologie aux expériences clients, on considère un client utilisateur (le héros) qui poursuit une quête (par exemple, découvrir la cuisine italienne - il s’agit de la raison qui a poussé le client à vivre cette expérience), aidé par des adjuvants, et contrarié par des opposants.
A cela viennent s’ajouter :
Des émotions positives, neutres et/ou négatives,
Des sens mobilisés (vue, ouïe, toucher, odorat, goût - et toutes les déclinaisons - « entendu », « palpé », « musique », etc.),
Les 5 éléments (bois, feu, terre, métal et eau et toutes les déclinaisons possibles - « or », « argent », « planche », « pluie », « goutte », « flaque » . . .)
Des isotopies linguistiques, c’est-à-dire d’après Greimas [4], la redondance d’éléments dans un texte permettant de comprendre ce dernier, comme la redondance des mots d’un même champ lexical (ex. le rock, la musique, etc.).
Et enfin le résultat de l’expérience, qui peut se caractériser par la note donnée à l’expérience, ainsi ce que Greimas appelle « l’étape glorifiante ».
Interprétation d’un graphe d’expérience
Chaque expérience vécue ou imaginaire suit donc le modèle représenté en Figure 4 qui représente le récit de cette expérience sous la forme d’une courbe avec des hauts et des bas pour signifier que chaque histoire n’est pas linéaire et donc identique.
Au regard du modèle précédemment établi, il apparaît que la segmentation client suivant le résultat de l’expérience n’est pas précise car il peut y avoir différents chemins qui arrivent à un même résultat. Par exemple, une personne qui met 4 étoiles peut avoir vécue que des éléments positifs, ou au contraire peut avoir vécue beaucoup d’éléments négatifs au début mais qui se sont suivis d’un élément très positif à la fin de l’expérience d’où la note. De la même manière, un sentiment score moyen n’a que peu d’intérêt car il va lisser l’expérience en prenant la moyenne de ce qu’a vécu le client, sans s’intéresser aux hauts et bas.
En s’inspirant du modèle précédent et du travail réalisé par Kurt Vonnegut sur les « shapes of stories » [5], ainsi que sur la polarisation des scénarios de films et séries selon McKee [6], on propose donc d’attribuer des graphes à des commentaires et récits d’expériences, des graphes que l’on va appeler des « shapes of experiences ».
Dans le document [7] “The emotional arcs of stories are dominated by six basic shapes” (Reagan, 2016), les auteurs ont analysé plus de 1300 histoires d’ouvrages littéraires du Projet Gutenberg, pour en déduire 6 arcs émotionnels de base. Les auteurs ont ensuite examiné s’il pouvait y avoir une corrélation entre la forme de l’histoire et le succès de l’ouvrage (mesuré par le nombre de téléchargements) .
Dans le document [8] "The Emotional Arcs of Television: NULab Project” (Chwe, 2019), les auteurs ont réutilisé les techniques décrites dans Reagan et al., 2016 et les ont appliquées à la télévision. La télévision étant un média avant tout visuel, ils se sont appuyés sur les sous-titres pour examiner les émissions de télévision et séries TV par le dialogue. Les résultats furent mitigés.
Le procédé de traitement selon l’invention propose une approche radicalement nouvelle : en appliquant le principe d’arc émotionnel à des expériences de la vie de tous les jours - car l’on sait grâce à la thèse de P. Taupin qu’une expérience a la forme d’un récit, en segmentant lesdits récits en des segments de phrases, pour en déduire une tonalité par segment et donc un graphe associé, et en couplant ces graphes entre eux, ceci afin de créer des structures 3D, nourrir un moteur de recommandation de contenu, et in fine proposer du contenu à des utilisateurs.
Construction d’un graphe d’expérience a) Méthode 1 : la méthode des segments et de l’IA
La première méthode pour construire le graphe d’une expérience consiste en plusieurs étapes :
Segmentation du récit client en n segments.
Catégorisation des segments par une Intelligence Artificielle (IA) suivant 3 étiquettes : tonalité positive, tonalité négative, tonalité neutre, la dernière étant optionnelle. Cette catégorisation se fait grâce à une IA préalablement entraînée sur un corpus de segments étiquetés.
Identification des ruptures de tonalité (+ à -), (- à +), (+ à n à -), (- à n à +).
Construction du graphe de l’expérience analysée. Pour ce faire, nous reprenons la tonalité des segments et les ruptures de tonalité. A chaque fois que la tonalité d’un segment, ou d’une suite de segments est positive, la portion de courbe correspondante aura un coefficient directeur de la droite positif. Inversement, si la tonalité d’un segment, ou d’une suite de segments est négative, la portion de courbe correspondante aura un coefficient directeur de la droite négatif. Exemple : « Le ciel était beau mais il faisait froid » se découpe comme suit dans le tableau I ci- dessous:
Figure imgf000019_0001
Tableau I
Dans cet exemple, on obtient un graphe tel qu’illustré en Figure 5. b) Méthode 2 : la « méthode des plus proches voisins »
La deuxième méthode pour construire le graphe d’une expérience consiste à :
Analyser directement la structure des phrases de chaque expérience
Identifier les noms communs, pronoms et noms propres
Leur attribuer une tonalité positive, neutre ou négative selon le contexte dans lequel ils sont utilisés - par l’utilisation de NLP (Natural Language Processing) et de l’intelligence artificielle (machine learning, deep learning)
Identifier les ruptures de tonalité (+ à -), (- à +), (+ à n à -), (- à n à +), Construire le graphe de l’expérience associé.
Exemple : « Le ciel était beau mais il faisait froid ».
« Ciel » et « il » sont identifiés par le système.
Ensuite, si on regarde les mots dans l’entourage de « ciel », on repère « Le », « était » et « beau », ce qui permet de déterminer que « ciel » est associé à une tonalité positive (à cause de « beau »).
De la même manière, au mot « il » sera associée une tonalité négative (à cause de « froid ») d’où le même graphe que précédemment. c) Méthode 3 : la méthode des segments et du modèle actantiel
Cette troisième méthode est la plus complète. Elle se base sur le modèle complet établi précédemment. 1. Tout d’abord on segmente le récit client en n segments. Le découpage par segments suit la structure grammaticale de la phrase et/ou la ponctuation, et est fait automatiquement, en référence au Tableau II ci-après.
Figure imgf000020_0002
Tableau II
La taille des segments peut varier et se limiter à un mot ou à un groupe de mots.
2. Ensuite, pour chaque segment, nous calculons / obtenons, en référence au tableau III ci- dessous:
Le sentiment score du segment. Ce sentiment score s’obtient en utilisant des fonctions classiques à partir de bibliothèques de data science.
La présence ou non d’émotions positives, neutres et/ou négatives, cela passe par la comparaison des mots du segment avec un dictionnaire d’émotions classées dans des catégories (+/-, neutre). La surprise est par exemple considérée comme une émotion neutre. A noter que notre dictionnaire des émotions contient aussi une base d’emojis associées à des émotions positives, neutres et/ou négatives.
La catégorisation des segments par Intelligence Artificielle suivant 5 étiquettes : quête, adjuvants, opposants, étape glorifiante, neutre. Cette catégorisation se fait grâce à une Intelligence artificielle préalablement entraînée sur un corpus de segments étiquetés.
Nous calculons ensuite la tonalité de chaque segment. L’objectif est de déterminer si le segment sera positif (+), neutre (n) ou négatif (-). Un segment positif correspond à un ressenti du client positif. Et inversement pour un segment négatif.
Figure imgf000020_0001
Figure imgf000021_0001
Tableau III
Pour calculer la tonalité, on compare le sentiment score, les émotions trouvées dans le dictionnaire des émotions, ainsi que les étiquettes apposées par l’intelligence artificielle.
Si 3 éléments sont du même signe (+/-) ou neutre, la tonalité est celle des 3 éléments. Dans le cas du segment n°2, le sentiment score est de 0.0066 (positif), « chaleureux » est une émotion classifiée comme positive, et « adjuvants » est considéré comme positif par définition. Ainsi la tonalité du segment 2 sera positive.
Si 2 éléments sont du même signe (+/-) ou neutre, et le 3e est différent, la tonalité sera celle des deux éléments.
Si les 3 éléments sont différents, la tonalité du segment sera celle des émotions.
Si 2 éléments sont du même signe (+/-) ou neutre, la tonalité sera celle des deux éléments. Dans le cas des segments n°3, 4, la tonalité est donc positive.
Si 2 éléments sont différents et que l’intelligence artificielle a retourné un résultat polarisé (adjuvants, opposants, neutre), la tonalité sera celle de l’intelligence artificielle. Dans le cas du segment n° 1 , la tonalité sera donc négative.
Si 2 éléments sont différents et que l’intelligence artificielle a retourné un résultat non polarisé (quête ou étape glorifiante), la tonalité sera celle du sentiment score. Dans le cas du segment n°5, la tonalité est donc positive.
Le procédé de traitement selon l’invention ne se limite pas uniquement au cas précédent et peut également fonctionner :
En utilisant uniquement le sentiment score de chaque segment : la tonalité du segment sera alors dans tous les cas celle du sentiment score du segment. Dans ce cas, nous n’utiliserions pas les émotions ni les résultats de l’intelligence artificielle.
En utilisant uniquement les émotions positives / neutres ou négatives des segments. La tonalité de chaque segment sera déterminée uniquement à partir des émotions.
En utilisant uniquement les résultats de l’intelligence artificielle (IA) attribuant les étiquettes : quête, adjuvants, opposants, étape glorifiante, neutre, sans pour autant se limiter à ces étiquettes. Dans ce cas, la tonalité de chaque segment correspondra aux résultats de FIA par segment.
En utilisant une combinaison de 2 éléments parmi les 3 éléments précédents. Par exemple le sentiment score et les émotions ; ou le sentiment score et les résultats de FIA.
3. On analyse ensuite automatiquement les ruptures de tonalité.
Autrement dit, à chaque fois que l’on passe : d’une tonalité + à une tonalité - d’une tonalité - à une tonalité + d’une tonalité + à une tonalité n puis une tonalité - d’une tonalité - à une tonalité n puis une tonalité +
Dans cet exemple, on a seulement une rupture de tonalité entre le segment 1 (-) et le segment 2 (+)•
4. On construit alors le graphe de l’expérience analysée. Pour ce faire, on reprend la tonalité des segments et les ruptures de tonalité. A chaque fois que la tonalité d’un segment, ou d’une suite de segments est positive, la portion de courbe correspondante aura un coefficient directeur de la droite positif. Inversement, si la tonalité d’un segment, ou d’une suite de segments est négative, la portion de courbe correspondante aura un coefficient directeur de la droite négatif.
On obtient alors un graphe d’expérience tel qu’illustré en Figure 6.
Dans une variante de l’invention, on faire varier la longueur et/ou la pente de chaque portion de courbe en fonction des tonalités associées des n segments de récit. Les axes peuvent être normés entre 0 et 1 ou non.
Par exemple, un récit d’expérience à tonalité (+ / + / + / -) ou un récit d’expérience à tonalité (- / - / +) pourront avoir les formes telles que représentées en Figure 8.
Comparaison des graphes d’expériences
Dans la suite de la description, on se limite à trois ruptures de tonalité. On peut construire, en référence à la figure 7 un ensemble de graphes élémentaires. Les « / » identifient les ruptures de tonalité. Ces huit graphes élémentaires sont associés à des archétypes expérientiels : Mowgli, Romeo & Juliet, etc.
Il est à noter que les noms de ces archétypes ont été attribués en se référant aux récits de ces héros.
Dans notre exemple précédent, l’archétype associé à une pente négative puis positive est « Robin Hood ». Ainsi le client qui a raconté cette expérience fait partie du cluster « Robin Hood ». Dans le cas de cette expérience, la note globale attribuée par le client est de 4/5. On démontre donc que le chemin pour arriver à cette satisfaction de 4/5 n’est pas unique. Certains vont passer par un profil type Robin Hood (- / +), d’autres vont être des Mowgli (tout sera positif dans leur expérience : +) tandis que d’autres pourront être également des Cinderella (+ / - / +) ou des Peter Pan (- / + / - / +). A ces huit graphes élémentaires, on ajoute l’archétype « Neutral » (tonalité neutre n - exemple « je suis en train de marcher »).
Dans le cadre du procédé de traitement selon l’invention, il est possible de combiner plusieurs récits d’expérience afin de former un « lot de récits d’expérience », se rapportant par exemple - mais sans s’y limiter - à un même lieu expérientiel, un même individu ou à une même ligne de produits, ou à une même ligne d’expériences.
On peut alors obtenir des surfaces 2D ou 3D liées à ce lot de récits d’expérience. On peut désigner ce nouvel objet graphique sous le terme de « experience pattern » (ou motif d’expérience). Cet « experience pattern » peut avoir des reliefs. L’évolution dans le temps de cet indicateur peut aider les décideurs à améliorer et optimiser l’expérience client en question. En référence à l’exemple de la figure 9, le lot de récits d’expérience est relativement homogène car constitué de récits d’expérience présentant tous la même suite de tonalités (+ / -).
En référence à l’exemple de la figure 10, le lot de récits d’expérience n’est pas homogène car constitué de récits d’expérience présentant une suite de tonalités (- / + / -) d’intensités différentes.
Exemples pratiques d’implémentation
Etape de segmentation
La segmentation du contenu numérique en n segments se fait de manière automatisée en suivant la structure grammaticale et/ou la ponctuation de chaque phrase constituant le récit d’expérience. Pour cela, des dictionnaires constitués de marqueurs actantiels, connecteurs logiques, marqueurs de modalité, marqueurs de reprise, marques méta-représentatives et marqueurs de ponctuation interagissent avec l’analyse du contenu numérique d’expérience, ceci afin de sortir des n segments de manière autonome, sans intervention humaine. A titre d’exemple non limitatif, sera utilisée la catégorisation du « Centre National de Ressources Textuelles et Lexicales (cnrtl.fr) » (https://www.cnrtl.fr/definition/).
Etape de calcul d’un score de sentiment
Une fois le contenu numérique segmenté en n segments, vient l’étape de calcul du score de sentiment. Ce calcul se base sur deux algorithmes d’intelligence artificielle, l’un fonctionnant par apprentissage supervisé (IA1), l’autre de manière non supervisée (IA2). IA1 est entraîné sur la base d’un corpus de segments ad hoc. Le score de sentiment attribué à chaque segment de phrases provient de la moyenne des scores de sentiments trouvés par IA1 et IA2, chaque segment étant ensuite ajouté à la base d’apprentissage d’IAl pour un apprentissage en continu, à condition que le score de sentiment soit vérifié. A titre d’exemple non limitatif, l’API « Google Sentiment analysis » pourra être utilisée comme IA afin de donner un score de sentiment.
Etape de comparaison des mots d’un segment avec un dictionnaire d’émotions
Pour comparer les mots d’un segment avec un dictionnaire d’émotions, on catégorise les mots du segment dans des espaces vectoriels et des matrices à plusieurs dimensions. Chaque élément de la matrice est constitué d’un mot ou d’un caractère orthographique. Une fois les éléments rangés, ils sont ensuite classés, et comparés à des dictionnaires d’émotions. A titre d’exemple non limitatif pourra être utilisé le dictionnaire d’émotions intitulé « Emotaix » (source : PIOLAT, Annie et BANNOUR, Rachid. An example of text analysis software (EMOTAIX-Tropes) use: The influence of anxiety on expressive writing. Current psychology letters. Behaviour, brain & cognition, 2009, vol. 25, no 2, 2009).
Si l’élément de la matrice est exactement égal à un des éléments du dictionnaire d’émotions, alors l’émotion est confirmée. Dans le cas contraire un algorithme de similarité textuelle et phonétique est utilisé, car les émotions peuvent représenter la même idée, mais avoir été orthographiées incorrectement ou de manière non complète. Si le score de similarité textuelle et phonétique a une valeur supérieure à 0.7, alors l’émotion est également confirmée.
Etape d’attribution d’une émotion à un segment
Si le procédé selon l’invention a identifié dans le segment de phrase plusieurs émotions exprimées positives, négatives ou neutres, on calcule la moyenne arbitraire des émotions exprimées.
Etape de catégorisation d’un segment
Le procédé selon l’invention prévoit une catégorisation d’un segment par une intelligence artificielle préalablement entraînée sur un corpus de segments étiquetés, suivant un nombre prédéterminé d’étiquettes associées à un schéma actantiel. Cette étape consiste à comparer les n variables des étiquettes préalables à un segment en fonction des résultats de scores de sentiments, des émotions trouvées et des éléments du schéma actantiel.
La méthode utilisée pour identifier les éléments du schéma actantiel est divulguée dans le document "The contribution of narrative semiotics of experiential imaginary to the ideation of new digital customer experiences " par Philippe Taupin, Semiotica, vol. 2019, no. 230, 2019, pp. 447-473. https://doi.org/10.1515/sem-2018-0005. On peut aussi se référer au document « Urban Soundscapes in the Imaginaries of Native Digital Users'. » par Polack, J.-D.; Taupin, P.; Jo, H.I.; Jeon, J. Y., Guidelines for Soundscape Design. Sustainability 2022, 14, 632. https://doi.org/10.3390/sul4020632.
Un algorithme de caractérisation identifie pour chaque mot sa classification suivant une base de données qui comprend les mots de la langue française classés suivant leur type dans le schéma actantiel : adjuvant, opposant, grâce à un système de codage automatique, développé par les chercheurs en sciences du langage référencés ci-avant.
Etape de calcul de tonalité
La tonalité d’un segment est construite çà partir de la formule ci-après :
"Tonalité" : =SI.CONDITIONS(score de sentiment>0;
Figure imgf000025_0002
score de sentiment <0;
Figure imgf000025_0001
score de sentiment =0; "")
La formule de tonalité se formule de la même manière en fonction des émotions trouvées et étiquettes du schéma actantiel.
Etape d’association de formes géométriques
Une fois les tonalités calculées pour chaque segment de phrase, les tonalités sont ensuite concaténées pour chaque récit d’expérience.
La concaténation se fait par la formule ci-dessous en fonction de longueur du contenu numérique découpé en n segments :
=CONCAT_Tonalités(INDIRECT(CONCAT(Ligne de départ du récit d’expérience)
:INDIRECT(CONCAT(Ligne d'arrivée du récit d’expérience))
Une fois les tonalités concaténées, le résultat peut prendre la forme suivante +++, ++-, +++, ++++, -+, ++-+-, ++
Les tonalités concaténées sont de longueurs différentes et sont ensuite ramenées de manière automatiquement à des patterns (ou motifs) plus standard et génériques - en supprimant les répétitions de mêmes tonalités via une fonction « substitute ».
Patern Archetype
Figure imgf000025_0003
Une fonction d’attribution vient ensuite attribuer un archétype en fonction du pattern de tonalités identifié. Par exemple « Mowgli » pour un pattern ou motif « + ». Enfin, à chaque archétype pourra être attribuée une forme géométrique en cherchant la forme géométrique correspondante à l’archétype le plus proche dans une base de données prédéterminée.
La forme géométrique du contenu numérique pourra aussi être construite à partir de la concaténation de tonalités directement, grâce à une fonction de lissage.
La juxtaposition des profils des différentes expériences suivant les archétypes peut donner suivant des fonctions d’interpolation des surfaces qui traduisent la représentation visuelle de l’ensemble des expériences analysées.
Il est possible de transformer les formes géométriques en ID, 2D ou 3D et/ou les archétypes obtenus, en « NFT » (pour Non-Fungible Token ou « Jeton non Fongible ») et/ou « SBT » (pour Soulbound Token ou « Jeton lié à l’âme »), en important le contenu graphique (textes, images, vidéos) en tant que métadonnées d’un token ERC 721 et/ou ERC 1155 et/ou équivalent créé sur une des blockchains publiques, par exemple mais sans s’y limiter, Ethereum Mainnet, ou Polygon.
Etape de détection de rupture de tonalité
Pour détecter dans un contenu numérique une ou plusieurs ruptures de tonalité, l’intelligence artificielle compare la tonalité du segment n avec la tonalité du segment n + 1. Si celles-ci sont différentes, intervient alors la rupture de tonalité.
Bien sûr la présente invention n’est pas limitée aux exemples qui viennent d’être décrits. Bien d’autres exemples de mise en œuvre du procédé de traitement selon l’invention et de ses applications pour la recommandation de contenus ou pour des mises en relation peuvent être envisagés sans sortir du cadre de la présente invention.
REFERENCES
1. Dixon, M., Freeman, K., & Toman, N. (2010). Stop trying to delight your customers. Harvard Business Review, 88(7/8), 116-122.
2. Taupin, P. (2017). Imaginaires d'ambiance automobile et sémiotique des récits: une approche d'innovation expérientielle digitale en Chine (Doctoral dissertation, Université Pierre et Marie Curie-Paris VI).
3. Algirdas Julien Greimas, Sémantique structurale, recherche et méthode, Édition Larousse, 1996
4. A. J. Greimas, Du sens — Essais sémiotiques, éditions du Seuil, 1970. Cité par A. Hénault, Les enjeux de la sémiotique, PUF, 1993, p. 91.
5. Vonnegut, K. (1995). Shapes of stories. Vonnegut's Shapes of Stories, 51. McKee, R. (1997). Story: style, structure, substance, and the principles of screenwriting. Harper Collins. Reagan (2016). The emotional arcs of stories are dominated by six basic shapes. Chwe (2019). The Emotional Arcs of Television: NULab Project.

Claims

26
REVENDICATIONS Procédé mis en œuvre par ordinateur pour traiter un contenu numérique exprimant un récit d’une expérience vécue ou imaginée par un utilisateur, comprenant les étapes suivantes : a) segmenter ce contenu numérique en n segments, en suivant la structure grammaticale et/ou la ponctuation de chaque phrase constituant le récit d’expérience, b) pour chaque segment: calculer un score de sentiment, à partir de bibliothèques de data science, comparer les mots dudit segment avec un dictionnaire d’émotions et attribuer audit segment une émotion positive, négative ou neutre, catégoriser ledit segment par une intelligence artificielle préalablement entraînée sur un corpus de segments étiquetés, suivant un nombre prédéterminé d’étiquettes associées à un schéma actantiel, c) calculer une tonalité dudit segment, à partir du score de sentiment, de l’émotion trouvées dans le dictionnaire des émotions, et l’étiquette de schéma actantiel, d) associer à chaque segment une forme géométrique prédéterminée représentative de la tonalité dudit segment ainsi calculée, e) détecter dans ledit contenu numérique une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, f) construire un graphe associé à ladite expérience, par concaténation des formes géométriques correspondant chacune à un desdits n segments de récit, ledit graphe d’expérience ainsi construit intégrant ladite ou lesdites ruptures de tonalité préalablement détectées, g) comparer ledit graphe d’expérience ainsi construit à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience. Procédé selon la revendication précédente, dans lequel les formes géométriques comprennent des portions de droite, caractérisé en ce que l’étape de construction de graphe comprend en outre une étape pour attribuer une première pente prédéterminée à toute portion de droite correspondant à un segment ou une suite de segments présentant une tonalité positive et une seconde pente prédéterminée à toute portion de droite correspondant à un segment ou une suite de segments présentant une tonalité négative. Procédé selon la revendication précédente, caractérisé en ce que l’étape de construction de graphe comprend en outre une étape pour attribuer une pente sensiblement nulle à toute portion de droite correspondant à un segment ou une suite de segments présentant une tonalité neutre. Procédé selon l’une quelconque des deux revendications précédentes, caractérisé en ce que chaque portion de droite présente une longueur et/ou une pente variable en fonction des tonalités associées des n segments de récit. Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que les formes géométriques utilisent des objets graphiques parmi des icônes, des symboles gif et des emojis. Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que parmi les étiquettes du schéma actantiel, un ou plusieurs opposants et/ou un ou plusieurs adjuvants sont déterminés par un outil de traitement en langage naturel (« Natural Language Processing ») ou NLP). Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que parmi les étiquettes du schéma actantiel, un ou plusieurs opposants et/ou un ou plusieurs adjuvants sont déterminés respectivement par identification dans le récit d’expérience d’une ou plusieurs émotions négatives et/ou d’une ou plusieurs émotions positives. Procédé selon l’une quelconque des deux revendications précédentes, caractérisé en ce qu’il comprend en outre une étape pour déterminer, pour un récit d’expérience d’un utilisateur, un ratio du nombre d’adjuvants sur la somme du nombre d’adjuvants et du nombre d’opposants. Procédé selon la revendication précédente, appliqué à une expérience pour laquelle l’utilisateur a émis un récit d’expérience et une note d’expérience, caractérisé en ce qu’il comprend en outre une étape pour positionner graphiquement ladite expérience sur une matrice présentant en ordonnée une mesure de note d’expérience et en abscisse une mesure du ratio du nombre d’adjuvants sur la somme du nombre d’adjuvants et du nombre d’opposants. Procédé selon la revendication précédente, appliqué à une pluralité d’expériences pour chacune desquelles l’utilisateur a émis un récit d’expérience et une note d’expérience, caractérisé en ce que lesdites expériences sont positionnées graphiquement sur la même matrice.
11. Procédé selon la revendication précédente, appliqué à une pluralité d’utilisateurs ayant vécu chacun une plusieurs expériences, caractérisé en ce que lesdites expériences sont positionnées graphiquement sur la même matrice.
12. Application du procédé de traitement selon l’une quelconque des revendications précédentes, pour la recommandation de contenu numérique à un utilisateur, comprenant les étapes suivantes : a) segmenter ce contenu numérique en n segments, en suivant la structure grammaticale et/ou la ponctuation de chaque phrase constituant le récit d’expérience, b) pour chaque segment: calculer un score de sentiment, à partir de bibliothèques de data science, comparer les mots dudit segment avec un dictionnaire d’émotions et attribuer audit segment une émotion positive, négative ou neutre, catégoriser ledit segment par une intelligence artificielle préalablement entraînée sur un corpus de segments étiquetés, suivant cinq étiquettes associées à un schéma actantiel : quête, adjuvant, opposant, étape glorifiante, neutre. c) calculer une tonalité dudit segment, à partir du score de sentiment, de l’émotion trouvées dans le dictionnaire des émotions, et l’étiquette de schéma actantiel, d) associer à chaque segment une forme géométrique prédéterminée représentative de la tonalité dudit segment ainsi calculée, e) détecter dans ledit contenu numérique une une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, f) construire un graphe associé à ladite expérience, par concaténation des formes géométriques correspondant chacune à un desdits n segments de récit, ledit graphe d’expérience ainsi construit intégrant ladite ou lesdites ruptures de tonalité préalablement détectées, g) comparer ledit graphe d’expérience ainsi construit à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience, h) extraire d’une ou plusieurs bases de données, au moins un contenu correspondant audit archétype ainsi identifié, i) transmettre audit utilisateur une information de recommandation dudit au moins un contenu ainsi extrait.
13. Application pour la recommandation de contenu selon la revendication précédente, caractérisée en que le procédé de traitement selon l’une quelconque des revendications 1 à 29
11 comprend en outre une étape pour traiter une pluralité de graphes d’expérience déjà construits pour un même utilisateur, ladite étape de traitement comprenant : pour chaque graphe élémentaire, une détermination du nombre desdits graphes d’expérience qui sont identiques audit graphe élémentaire, une détermination des ratios respectifs de graphes élémentaires dans ladite pluralité de graphes d’expérience, un classement dudit utilisateur dans un groupe d’utilisateurs présentant sensiblement les mêmes ratios de graphes élémentaires, l’étape de recommandation étant configurée pour recommander un même contenu aux utilisateurs appartenant audit groupe d’utilisateurs. Application selon la revendication précédente, dans laquelle le contenu recommandé comprend un contenu de recommandation d’une expérience vécue et/ou imaginée par un premier utilisateur, caractérisée en ce que l’étape de recommandation est configurée pour transmettre ledit contenu de recommandation d’expérience à au moins un autre utilisateur partageant au moins un archétype avec ledit premier utilisateur. Application du procédé de traitement selon l’une quelconque des revendications 1 à 11, pour recommander une mise en relation entre des utilisateurs, un premier utilisateur ayant émis une pluralité de contenus numérique exprimant des récits d’expériences, comprenant les étapes suivantes : pour chacun desdits contenus numériques : a) segmenter ce contenu numérique en n segments, en suivant la structure grammaticale et/ou la ponctuation de chaque phrase constituant le récit d’expérience, b) pour chaque segment: calculer un score de sentiment, à partir de bibliothèques de data science, comparer les mots dudit segment avec un dictionnaire d’émotions et attribuer audit segment une émotion positive, négative ou neutre, catégoriser ledit segment par une intelligence artificielle préalablement entraînée sur un corpus de segments étiquetés, suivant cinq étiquettes associées à un schéma actantiel : quête, adjuvant, opposant, étape glorifiante, neutre, c) calculer une tonalité dudit segment, à partir du score de sentiment, de l’émotion trouvées dans le dictionnaire des émotions, et l’étiquette de schéma actantiel, d) associer à chaque segment une forme géométrique prédéterminée représentative de la tonalité dudit segment ainsi calculée, 30 e) détecter dans ledit contenu numérique une une ou plusieurs ruptures de tonalité, mettant en œuvre une intelligence artificielle, f) construire un graphe associé à ladite expérience, par concaténation des formes géométriques correspondant chacune à un desdits n segments de récit, ledit graphe d’expérience ainsi construit intégrant ladite ou lesdites ruptures de tonalité préalablement détectées, g) comparer ledit graphe d’expérience ainsi construit à un ensemble de graphes élémentaires préalablement établis correspondant chacun à un archétype déterminé, et identifier l’archétype correspondant à ladite expérience, reproduire lesdites étapes précitées pour un ensemble prédéterminé d’autres utilisateurs, de façon à attribuer à chacun desdits autres utilisateurs une pluralité d’archétypes correspondant à leurs récits d’expérience, déterminer pour chaque autre utilisateur un taux de similarité avec ledit premier utilisateur, comme étant le rapport du nombre d’archétypes communs avec ledit premier utilisateur sur le nombre total d’archétypes identifiés à partir de la pluralité d’expériences, transmettre audit premier utilisateur une information de recommandation de mise en relation avec des autres utilisateurs présentant un taux de similarité supérieur à un seuil de similarité prédéterminé.
16. Application selon la revendication précédente, caractérisée en ce qu’elle comprend en outre une étape pour sélectionner l’ensemble des autres utilisateurs à partir d’une base d’autres utilisateurs, sur des critères de proximité géographique avec le premier utilisateur.
17. Application selon l’une quelconque des deux revendications précédentes, caractérisée en ce que le premier utilisateur et/ou les autres utilisateurs comprennent des machines et/ou des robots et/ou autres systèmes intelligents tels que des intelligences artificielles (IA).
18. Application selon l’une quelconque des trois revendications précédentes, caractérisée en ce que l’étape de transmission d’une information de recommandation de mise en relation comprend une communication vocale de cette information de recommandation au premier utilisateur.
19. Application selon l’une quelconque des quatre revendications précédentes, caractérisée en ce que l’étape de détermination de taux de similarité comprend une pondération des différentes expériences vécues et/ou imaginées par le premier utilisateur et/ou par les autres utilisateurs. 31
20. Application selon l’une quelconque des cinq revendications précédentes, caractérisée en ce que les récits d’expérience captés auprès des autres utilisateurs sont saisis par reconnaissance vocale. 21. Application selon l’une quelconque des six revendications précédentes, caractérisée en ce que les récits d’expérience captés auprès des autres utilisateur sont extraits d’une blockchain et décryptés avant d’être traités.
22. Application selon l’une quelconque des sept revendications précédentes, caractérisée en ce qu’il comprend en outre une étape pour transmettre au premier utilisateur une information de recommandation de mise en relation avec des autres utilisateurs présentant un taux de similarité inférieur à un taux maximum prédéterminé.
23. Application selon l’une quelconque des huit revendications précédentes, caractérisée en ce que l’étape de capture d’une pluralité de récits d’expériences est réalisée sur un ensemble de premiers utilisateurs interagissant avec un même objet électronique connecté.
PCT/FR2022/051816 2021-09-27 2022-09-27 Procédé de traitement d'un contenu numérique exprimant un récit d'une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d'expériences WO2023047071A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2110169A FR3127607A1 (fr) 2021-09-27 2021-09-27 Procédé de traitement d’un contenu numérique exprimant un récit d’une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d’expériences
FRFR2110169 2021-09-27

Publications (1)

Publication Number Publication Date
WO2023047071A1 true WO2023047071A1 (fr) 2023-03-30

Family

ID=80785094

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2022/051816 WO2023047071A1 (fr) 2021-09-27 2022-09-27 Procédé de traitement d'un contenu numérique exprimant un récit d'une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d'expériences

Country Status (2)

Country Link
FR (1) FR3127607A1 (fr)
WO (1) WO2023047071A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2973133A1 (fr) 2011-03-22 2012-09-28 Milestone Factory Intl Procedes d’actualisation et de creation de profils d'utilisateur, de recommandation de contenu et de construction d'une liste de contenus
WO2013170344A1 (fr) 2012-05-15 2013-11-21 Whyz Technologies Limited Procédé et système concernant l'analyse de sentiment d'un contenu électronique
WO2016025490A1 (fr) 2014-08-11 2016-02-18 24/7 Customer, Inc. Procédés et appareils pour modéliser des expériences d'interaction de client
US9762733B1 (en) 2016-09-21 2017-09-12 Genesys Telecommunications Laboratories, Inc. System and method for recommending communication mediums based on predictive analytics
FR3086413A1 (fr) 2018-09-20 2020-03-27 Taoci Experiences Sas Procédé et système de traitement de contenus numériques d'expériences

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2973133A1 (fr) 2011-03-22 2012-09-28 Milestone Factory Intl Procedes d’actualisation et de creation de profils d'utilisateur, de recommandation de contenu et de construction d'une liste de contenus
WO2013170344A1 (fr) 2012-05-15 2013-11-21 Whyz Technologies Limited Procédé et système concernant l'analyse de sentiment d'un contenu électronique
WO2016025490A1 (fr) 2014-08-11 2016-02-18 24/7 Customer, Inc. Procédés et appareils pour modéliser des expériences d'interaction de client
US9762733B1 (en) 2016-09-21 2017-09-12 Genesys Telecommunications Laboratories, Inc. System and method for recommending communication mediums based on predictive analytics
FR3086413A1 (fr) 2018-09-20 2020-03-27 Taoci Experiences Sas Procédé et système de traitement de contenus numériques d'expériences

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
"The contribution of narrative semiotics of experiential imaginary to the ideation of new digital customer experiences", PHILIPPE TAUPIN, SEMIOTICA, vol. 2019, no. 230, 2019, pages 447 - 473, Retrieved from the Internet <URL:https://doi.org/10.1515/sem-2018-0005>
A. J. GREIMAS: "Du sens — Essais sémiotiques", 1970, pages: 91
ALGIRDAS JULIEN GREIMAS: "Sémantique structurale, recherche et méthode", 1996
DIXON, M.FREEMAN, K.TOMAN, N.: "Stop trying to delight your customers", HARVARD BUSINESS REVIEW, vol. 88, no. 7, 2010, pages 116 - 122
GHANI USMAN ET AL.: "a fuzzy logic Based Intelligent System for Measuring Customer Loyalty and Décision Making", SYMETRY, vol. l0, no. 12, 17 December 2018 (2018-12-17), pages 761, XP055923278, DOI: 10.3390/sym10120761
GHANI USMAN ET AL: "A Fuzzy Logic Based Intelligent System for Measuring Customer Loyalty and Decision Making", vol. 10, no. 12, 17 December 2018 (2018-12-17), pages 761, XP055923278, Retrieved from the Internet <URL:https://www.researchgate.net/publication/329746478_A_Fuzzy_Logic_Based_Intelligent_System_for_Measuring_Customer_Loyalty_and_Decision_Making/fulltext/5c18f754299bf12be3884ebf/A-Fuzzy-Logic-Based-Intelligent-System-for-Measuring-Customer-Loyalty-and-Decision-Making.pdf> DOI: 10.3390/sym10120761 *
PIOLAT, ANNIEBANNOUR, RACHID: "An example of text analysis software (EMOTAIX-Tropes) use: The influence of anxiety on expressive writing", CURRENT PSYCHOLOGY LETTERS. BEHAVIOUR, BRAIN & COGNITION, vol. 25, no. 2, 2009
POLACK, J.-D.TAUPIN, P.JO, H.IJEON, J.Y.: "Urban Soundscapes in the Imaginaries of Native Digital Users", GUIDELINES FOR SOUNDSCAPE DESIGN. SUSTAINABILITY, vol. 14, 2022, pages 632, Retrieved from the Internet <URL:https://doi.org/10.3390/su14020632>
REAGAN, THE EMOTIONAL ARCS OF STORIES ARE DOMINATED BY SIX BASIC SHAPES, 2016
TAUPIN, P.: "Doctoral dissertation", vol. VI, 2017, UNIVERSITÉ PIERRE ET MARIE CURIE-PARIS, article "Imaginaires d'ambiance automobile et sémiotique des récits: une approche d'innovation expérientielle digitale en Chine"

Also Published As

Publication number Publication date
FR3127607A1 (fr) 2023-03-31

Similar Documents

Publication Publication Date Title
Zhao et al. An image-text consistency driven multimodal sentiment analysis approach for social media
CN109933664B (zh) 一种基于情感词嵌入的细粒度情绪分析改进方法
US11704501B2 (en) Providing a response in a session
CN106663095B (zh) 来自承载情感的内容的分面推荐
US20170109615A1 (en) Systems and Methods for Automatically Classifying Businesses from Images
EP1470501B1 (fr) Procedes et systemes de recherche et d&#39;association de ressources d&#39;information telles que des pages web
Lou Multimodal simile: The “when” meme in social media discourse
FR2947358A1 (fr) Un assistant-conseiller utilisant l&#39;analyse semantique des echanges communautaires
WO2019056628A1 (fr) Génération d&#39;une copie de point d&#39;intérêt
US20150324099A1 (en) Connecting Current User Activities with Related Stored Media Collections
CN116541498A (zh) 在会话中提供情感关怀
JP7171911B2 (ja) ビジュアルコンテンツからのインタラクティブなオーディオトラックの生成
Riek et al. Guess what? a game for affective annotation of video using crowd sourcing
Childs et al. Work that–s!: Drag queens, gender, identity, and traditional Newfoundland English
EP2105852A1 (fr) Procédé et système d&#39;attribution de score
WO2023047071A1 (fr) Procédé de traitement d&#39;un contenu numérique exprimant un récit d&#39;une expérience, et applications de ce procédé pour la recommandation de contenus et/ou d&#39;expériences
Irfan et al. Coffee with a hint of data: towards using data-driven approaches in personalised long-term interactions
CN114003699A (zh) 话术匹配方法、装置、电子设备及存储介质
Phaneendra et al. EMUSE–An emotion based music recommendation system
Bai et al. The effect of video attributes on memorable short video experience and intention to visit: The case of tiktok
Liu et al. Combining user contexts and user opinions for restaurant recommendation in mobile environment
FR3071078A1 (fr) Acces d&#39;un livre audio associe a un livre papier
CN117573844B (zh) 一种基于上下文感知的数据推荐方法、装置及相关介质
EP3114597A1 (fr) Procédé d&#39;analyse d&#39;une pluralité de messages, produit programme d&#39;ordinateur et dispositif associés
Westbury et al. A pompous snack: On the unreasonable complexity of the world’s third-worst jokes.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22789967

Country of ref document: EP

Kind code of ref document: A1