L'utilisation des informations utilisateur/produit dans l'analyse de sentiment est importante, en particulier pour les utilisateurs/produits à démarrage froid, dont le nombre d'avis est très limité. Cependant, les modèles actuels ne traitent pas le problème du démarrage froid, qui est typique sur les sites de critiques. Dans cet article, nous présentons le Classifieur Hybride Contextuel de Sentiment (HCSC), qui comprend deux modules : (1) un encodeur rapide de mots qui retourne des vecteurs de mots intégrant des caractéristiques de dépendance à court et long terme ; et (2) un mécanisme d'attention prenant en compte le problème du démarrage froid (CSAA), qui considère l'existence du problème du démarrage froid lorsqu'il effectue une agrégation attentive des vecteurs de mots encodés. L'HCSC introduit des vecteurs partagés construits à partir d'utilisateurs/produits similaires, et ces vecteurs sont utilisés lorsque les vecteurs distincts originaux ne disposent pas d'informations suffisantes (c'est-à-dire en cas de démarrage froid). Cette décision est prise par un vecteur de porte sélectif guidé par la fréquence. Nos expériences montrent que, en termes de RMSE, l'HCSC performe significativement mieux que les modèles célèbres sur des jeux de données réputés, malgré sa moindre complexité, ce qui permet une formation beaucoup plus rapide. Plus important encore, notre modèle performe significativement mieux que les modèles précédents lorsque les données d'entraînement sont clairsemées et présentent des problèmes de démarrage froid.