Analyse de l'opinion financière basée sur les aspects à l'aide de représentations profondes

Le sujet de l'analyse de sentiment basée sur les aspects (ABSA) a été exploré dans divers secteurs, mais il reste largement sous-exploité dans le domaine financier. La récente publication de données pour un défi ouvert (FiQA) dans les actes annexes de la conférence WWW '18 a fourni des annotations spécifiques et précieuses au secteur financier. Bien que FiQA contienne des étiquettes de haute qualité, il manque encore en quantité de données pour appliquer les architectures d'apprentissage profond traditionnelles utilisées en ABSA. Dans cet article, nous utilisons des représentations sémantiques de haut niveau et des méthodes d'apprentissage par transfert inductif pour le traitement du langage naturel (NLP). Nous expérimentons avec des extensions de méthodes d'adaptation de domaine récemment développées et avec l'affinage ciblé des tâches, ce qui améliore considérablement les performances sur un petit ensemble de données. Nos résultats montrent une amélioration de 8,7 % du score F1 pour la classification et une amélioration de 11 % sur l'erreur quadratique moyenne (MSE) pour la régression par rapport aux résultats actuels de pointe.