Dans le cadre de l'analyse des avis, les aspects sont les caractéristiques des produits et services sur lesquelles les clients portent leurs opinions et sentiments. La détection d'aspects aide les propriétaires de produits et les fournisseurs de services à identifier les lacunes et à prioriser les besoins des clients, ce qui permet de maintenir les revenus et de réduire la rotation client. Les méthodes existantes se concentrent sur la détection de la forme superficielle d'un aspect en formant des méthodes d'apprentissage supervisé qui ne sont pas efficaces lorsque les aspects sont latents dans les avis. Dans cet article, nous proposons une méthode non supervisée pour extraire les occurrences latentes d'aspects. Plus précisément, nous supposons qu'un client subit un processus génératif hypothétique en deux étapes lorsqu'il rédige un avis : (1) choisir un aspect parmi l'ensemble des aspects disponibles pour le produit ou le service, et (2) écrire les mots d'opinion qui sont plus interconnectés au aspect choisi parmi l'ensemble des mots disponibles dans une langue. Nous utilisons l'allocation de Dirichlet latente pour apprendre les distributions d'aspects latents nécessaires à la génération des avis. Les résultats expérimentaux sur des jeux de données de référence montrent que notre méthode proposée est capable d'améliorer l'état de l'art lorsque les aspects sont latents sans forme superficielle dans les avis.