Analyse de sentiment semi-supervisée variationnelle des termes d'aspect via Transformer

L'analyse de sentiment par terme d'aspect (ATSA) est un défi de longue date dans la compréhension du langage naturel. Elle nécessite une analyse sémantique fine d'une entité cible mentionnée dans le texte. Étant donné que l'annotation manuelle des aspects est fastidieuse et chronophage, la quantité de données étiquetées disponibles pour l'apprentissage supervisé est limitée. Cet article propose une méthode semi-supervisée pour le problème ATSA en utilisant un Autoencodeur Variationnel basé sur les Transformers (VAET), qui modélise la distribution latente par inférence variationnelle. En dissociant la représentation latente en sentiment spécifique à l'aspect et contexte lexical, notre méthode induit une prédiction sous-jacente du sentiment pour les données non étiquetées, ce qui améliore ensuite le classifieur ATSA. Notre méthode est indépendante du classifieur, c'est-à-dire que le classifieur est un module autonome et divers modèles supervisés avancés peuvent être intégrés. Les résultats expérimentaux ont été obtenus sur la tâche 4 de SemEval 2014 et montrent que notre méthode est efficace avec quatre classifieurs classiques. La méthode proposée surpasse deux méthodes semi-supervisées générales et atteint des performances de pointe.Note: "Aspect-term sentiment analysis" a été traduit par "analyse de sentiment par terme d'aspect", qui est une traduction couramment acceptée dans le domaine francophone de traitement du langage naturel. De même, "Variational Autoencoder based on Transformer" a été traduit par "Autoencodeur Variationnel basé sur les Transformers", où "Transformers" fait référence à une architecture spécifique en traitement du langage naturel et reste inchangée en français.