Classification de sentiments au niveau des aspects avec un réseau à mémoire profonde

Nous présentons un réseau de mémoire profonde pour la classification des sentiments au niveau des aspects. Contrairement aux modèles SVM basés sur les caractéristiques et aux modèles neuronaux séquentiels tels que l'LSTM, cette approche capture explicitement l'importance de chaque mot du contexte lors de l'inférence de la polarité sentimentale d'un aspect. Ce degré d'importance et la représentation textuelle sont calculés à travers plusieurs couches computationnelles, chacune étant un modèle d'attention neuronale sur une mémoire externe. Les expériences menées sur des ensembles de données relatifs aux ordinateurs portables et aux restaurants montrent que notre approche se compare favorablement au système SVM basé sur les caractéristiques le plus performant actuellement, et est nettement supérieure aux architectures LSTM et LSTM basées sur l'attention. Sur les deux ensembles de données, nous démontrons également que l'utilisation de plusieurs couches computationnelles peut améliorer les performances. De plus, notre approche est également rapide. Le réseau de mémoire profonde avec 9 couches est 15 fois plus rapide qu'un LSTM avec une implémentation CPU.