Un dataset et des modèles multilingues, pour catégoriser les sentiments de vrais textes.
Phrase par phrase, de -3 à +3, en six langues. Assez petit pour tourner sur votre portable, ou dans un navigateur.
En bref
WebSentiment, c’est un jeu de données ouvert et les modèles entraînés dessus.
- Le jeu de données d’entraînement : 462 272 phrases et passages, dont 86 % tirés du vrai web, chacun noté par un LLM sur une échelle de sentiment à 7 niveaux, de -3 (très négatif) à +3 (très positif).
- Six langues : anglais, français, espagnol, allemand, italien, portugais.
- Le modèle : 119 Ko, posé sur un modèle d’embeddings ouvert (EmbeddingGemma). Il donne le niveau de sentiment d’une phrase, sur votre machine ou dans le navigateur.
Ce qu’il y a dedans
Le jeu de données. WebSentiment ML-7 : du vrai texte du web tiré de FineWeb, plus une petite part synthétique pour les formats rares, noté en contexte.
→ huggingface.co/datasets/SDeaure/websentiment-ml-7
Le modèle. websentiment-egemma-ml-7 : une tête de sentiment sur EmbeddingGemma, pour Python ou le navigateur.
→ huggingface.co/SDeaure/websentiment-egemma-ml-7
Le modèle de contexte (expérimental). websentiment-egemma-ml-7-ctx : lit chaque phrase avec la page dont elle vient.
→ huggingface.co/SDeaure/websentiment-egemma-ml-7-ctx
Lequel choisir ?
- Des textes isolés (avis, tweets, titres) : le modèle.
- Les phrases d’une page web, avec la page sous la main : le modèle de contexte.
- Votre propre classifieur, votre propre échelle : le jeu de données.
Licences et crédit
Le jeu de données est sous ODC-By 1.0, les modèles sous CC BY 4.0. Libres d’usage, y compris commercial. Un crédit est demandé quand vous les partagez ou publiez un travail qui s’en sert ; copiez l’une de ces mentions (en anglais, telles quelles) :
Contains information from WebSentiment ML-7 by Sylvain Deauré (https://sylvain-deaure.fr/en/websentiment/), which is made available under the ODC Attribution License.
Sentiment by WebSentiment EmbeddingGemma ML-7 by Sylvain Deauré (https://sylvain-deaure.fr/en/websentiment/), CC BY 4.0.
Vous utilisez un modèle dans un outil en ligne sans le redistribuer ? Créditez-le dans l’aide ou la page « à propos » de l’outil. Et sur le web, un simple lien vers cette page (sans nofollow) est le meilleur des mercis.
Les modèles ont besoin d’EmbeddingGemma-300m (conditions d’utilisation de Gemma). Les détails sont sur chaque fiche Hugging Face.
Citer
Sylvain Deauré (2026). WebSentiment ML-7. DOI 10.5281/zenodo.23964284. ORCID 0009-0009-1013-0873. BibTeX sur les fiches Hugging Face.
Ça vaut quoi ?
0,673 de macro-F1 sur 9 jeux de test annotés à la main, en 6 langues, proche des 0,726 du LLM qui a annoté les données d’entraînement. Sur du vrai texte du web : le niveau exact dans 67 % des cas, à un niveau près dans 95 % des cas. L’ironie et les phrases mitigées restent le point dur.
Aidez à construire le jeu de référence humain : si vous pouvez annoter dans l’une des six langues, j’aimerais avoir de vos nouvelles (adresse en bas de page).
Qui est derrière
Je suis Sylvain Deauré. Je bidouille des ordinateurs depuis 1980 et je construis pour le web depuis 1997. J’ai créé Cocon.se et cofondé 1492.vision, et je travaille sur les graphes, les embeddings, la recommandation et les petits modèles qui classent du texte. J’ai présenté cette approche au TeknSEO 2026 : « Google classe tout, même vous. Faites pareil. »
Substack · X · LinkedIn · Hugging Face · ORCID
Travailler ensemble
Besoin d’un classifieur entraîné sur vos propres données ou d’un atelier pour votre équipe ?
Pour me contacter par e-mail : syl@sylvain-deaure.fr
Version 1, novembre 2026. Inspiré du modèle de sentiment à 7 niveaux de DEJAN.