Modèle de réseau de mémoire dual pour la classification des avis produits biaisés

Dans l'analyse de sentiment (SA) des avis sur les produits, il a été démontré que les informations sur les utilisateurs et les produits sont utiles. Les tâches actuelles traitent le profil utilisateur et les informations sur le produit dans un modèle unifié, qui peut ne pas être en mesure d'apprendre efficacement les caractéristiques saillantes des utilisateurs et des produits. Dans ce travail, nous proposons un modèle de réseau mémoire dual utilisateur-produit (DUPMN) pour apprendre les profils utilisateurs et les avis sur les produits à l'aide de réseaux mémoire distincts. Ensuite, les deux représentations sont utilisées conjointement pour la prédiction du sentiment. L'utilisation de modèles distincts vise à capturer plus efficacement les profils utilisateurs et les informations sur le produit. Comparé aux modèles de prédiction unifiés de pointe, les évaluations sur trois jeux de données de référence, IMDB, Yelp13 et Yelp14, montrent que notre modèle d'apprentissage dual offre des gains de performance respectivement de 0,6 %, 1,2 % et 0,9 %. Ces améliorations sont également considérées comme très significatives selon les valeurs p.