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:

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.

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.

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 3 ^e 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; score de sentiment <0; 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

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.