Modélisation des dépendances de sentiment avec des réseaux de convolution graphique pour la classification de sentiment au niveau des aspects

La classification de sentiment au niveau des aspects vise à distinguer les polarités de sentiment concernant un ou plusieurs termes d'aspect dans une phrase. Les approches existantes modélisent généralement différents aspects d'une même phrase de manière indépendante, ce qui ignore les dépendances de sentiment entre ces aspects. Cependant, nous avons constaté que ces informations de dépendance entre différents aspects peuvent apporter des informations précieuses supplémentaires. Dans cet article, nous proposons un nouveau modèle de classification de sentiment au niveau des aspects basé sur les réseaux de neurones convolutifs graphiques (GCN), capable d'capturer efficacement les dépendances de sentiment entre plusieurs aspects dans une même phrase. Notre modèle introduit en premier lieu un mécanisme d'attention bidirectionnel avec codage positionnel pour modéliser les représentations spécifiques aux aspects entre chaque aspect et ses mots contextuels, puis utilise le GCN sur ce mécanisme d'attention pour capturer les dépendances de sentiment entre différents aspects dans une phrase. Nous évaluons l'approche proposée sur les jeux de données SemEval 2014. Les expériences montrent que notre modèle surpassent les méthodes les plus avancées actuellement disponibles. Nous menons également des expériences pour évaluer l'efficacité du module GCN, qui indiquent que les dépendances entre différents aspects sont très utiles pour la classification de sentiment au niveau des aspects.