Amani Drissi

Ms. Amani Drissi

Computer science, University of Pau et Pays de l'Adour, Pau, Nouvelle-Aquitaine, France
orcid

Research Focus & Metrics

Academic Career Length

5Years (2022-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
24 November 2022
Verified
Book Chapter
Closed access
PDF file
ADAmani Drissi
Amani Drissi
AKAhmed Khemiri
Ahmed Khemiri
SSSalma Sassi
Salma Sassi
TATissaoui Anis
Tissaoui Anis
Richard ChbeirRichard Chbeir
Richard Chbeir
Abderrazak JemaiAbderrazak Jemai
Abderrazak Jemai

19 September 2025 in Computers
Verified
Journal Article
Open access
PDF file
ADAmani Drissi
Amani Drissi
SSSalma Sassi
Salma Sassi
Richard ChbeirRichard Chbeir
Richard Chbeir
TATissaoui Anis
Tissaoui Anis
Abderrazak JemaiAbderrazak Jemai
Abderrazak Jemai
Topic modeling is a crucial technique for Natural Language Processing (NLP) which helps to automatically uncover coherent topics from large-scale text corpora. Yet, classic methods tend to suffer from poor semantic depth and topic coherence. In this regard, we present here a new approach “SemaTopic” to improve the quality and interpretability of discovered topics. By exploiting semantic understanding and stronger clustering dynamics, our approach results in a more continuous, finer and more stable representation of the topics. Experimental results demonstrate that SemaTopic achieves a relative gain of +6.2% in semantic coherence compared to BERTopic on the 20 Newsgroups dataset (Cv=0.5315 vs. 0.5004), while maintaining stable performance across heterogeneous and multilingual corpora. These findings highlight “SemaTopic” as a scalable and reliable solution for practical text mining and knowledge discovery.

21 September 2022
Verified
Book Chapter
Closed access
PDF file
ADAmani Drissi
Amani Drissi
TATissaoui Anis
Tissaoui Anis
SSSalma Sassi
Salma Sassi
Richard ChbeirRichard Chbeir
Richard Chbeir
Abderrazak JemaiAbderrazak Jemai
Abderrazak Jemai

8 April 2026
Verified
Thesis
Closed access
ADAmani Drissi
Amani Drissi
Modélisation et analyse des thèmes dans un corpus documentaire : pour une meilleure exploration et recommandation: Cette thèse étudie les défis méthodologiques du topic modeling appliqué à des corpus textuels hétérogènes, multilingues et de grande échelle, pour lesquels les approches conventionnelles présentent souvent des limitations en matière d'interprétabilité, de sensibilité aux paramètres et de représentation contextuelle. Afin de répondre à ces problématiques, nous proposons deux cadres méthodologiques unifiés et modulaires intégrant modélisation probabiliste, enrichissement sémantique, évaluation diagnostique et organisation structurelle au sein d'un pipeline cohérent.Le premier cadre, SemaTopic, introduit une approche de modélisation thématique sensible au contexte, combinant clustering sémantique, optimisation des hyperparamètres guidée par la cohérence et inférence probabiliste. En alignant les embeddings contextuels avec une structuration fondée sur la densité avant l'extraction des thèmes, le cadre améliore la stabilité, la cohérence sémantique et l'interprétabilité des sujets à travers des corpus de tailles, de structures et de langues variées. Les résultats expérimentaux montrent que SemaTopic obtient un gain relatif de +6,2% en cohérence sémantique par rapport à BERTopic sur le corpus 20 Newsgroups (C_v = 0,5315 contre 0,5004), tout en maintenant des performances stables sur des corpus hétérogènes et multilingues.Le second cadre, ARIA, prolonge ce processus par un raffinement sémantique post-extraction. Il intègre l'étiquetage automatique basé sur des modèles de langage, l'enrichissement sémantique guidé, l'organisation hiérarchique et l'indexation au niveau des sections, transformant ainsi les distributions probabilistes de thèmes en représentations structurées et navigables des connaissances. Appliqué comme couche finale du pipeline, ARIA permet une amélioration progressive de la cohérence thématique, faisant passer des valeurs de base autour de 0,45 à des niveaux atteignant jusqu'à 0,74 après optimisation sémantique complète. Cette progression reflète l'effet cumulatif du clustering sémantique, de l'optimisation guidée par la cohérence et du raffinement basé sur les modèles de langage.Des expérimentations approfondies menées sur des corpus scientifiques, spécialisés, multilingues et de textes courts valident la robustesse, la cohérence et l'adaptabilité de l'approche proposée. Au-delà d'une amélioration algorithmique isolée, cette thèse contribue à faire évoluer le topic modeling vers un cadre intégré, sémantiquement fondé et opérationnel, dédié à la découverte de connaissances dans des environnements textuels complexes.