Du bon usage d'ingrédients linguistiques spéciaux pour classer des recettes exceptionnelles

Nous presentons un modele d’apprentissage automatique qui combine modeles neuronaux et linguistiques pour traiter les tâches de classification dans lesquelles la distribution des etiquettes des instances est desequilibree. Les performances de ce modele sont mesurees a l’aide d’experiences menees sur les tâches de classification de recettes de cuisine de la campagne DEFT 2013 (Grouin et al., 2013). Nous montrons que les plongements lexicaux (word embeddings) associes a des methodes d’apprentissage profond obtiennent de meilleures performances que tous les algorithmes deployes lors de la campagne DEFT. Nous montrons aussi que ces memes classifieurs avec plongements lexicaux peuvent gagner en performance lorsqu’un modele linguistique est ajoute au modele neuronal. Nous observons que l’ajout d’un modele linguistique au modele neuronal ameliore les performances de classification sur les classes rares.