Réseaux de transformation pour la classification de sentiment ciblée

La classification de sentiments orientée vers des cibles vise à classer les polarités de sentiments sur des cibles d'opinion individuelles dans une phrase. Les réseaux de neurones récurrents (RNN) avec mécanisme d'attention semblent bien adaptés aux caractéristiques de cette tâche, et ils atteignent en effet des performances de pointe. Après avoir réexaminé les inconvénients du mécanisme d'attention et les obstacles qui empêchent les réseaux de neurones convolutifs (CNN) de bien performer dans cette tâche de classification, nous proposons un nouveau modèle pour surmonter ces problèmes. Au lieu d'utiliser l'attention, notre modèle utilise une couche CNN pour extraire des caractéristiques saillantes à partir des représentations transformées des mots issues d'une couche RNN bidirectionnelle. Entre ces deux couches, nous proposons un composant pour générer des représentations spécifiques aux cibles des mots dans la phrase, tout en intégrant un mécanisme permettant de préserver les informations contextuelles originales provenant de la couche RNN. Les expériences montrent que notre modèle atteint de nouvelles performances de pointe sur plusieurs bancs d'essai.