Un modèle d’apprentissage multi-tâches pour la classification de la polarité des aspects orientée vers le chinois et l’extraction des termes d’aspect

L’analyse de sentiment basée sur les aspects (ABSA) est une tâche à plusieurs niveaux de granularité en traitement automatique du langage naturel, composée de deux sous-tâches : l’extraction des termes d’aspect (ATE) et la classification de la polarité des aspects (APC). La majeure partie des travaux existants se concentre principalement sur l’inférence de la polarité des termes d’aspect, tout en ignorant l’importance cruciale de l’extraction des termes d’aspect. En outre, les recherches actuelles ne portent pas suffisamment sur la tâche d’ABSA orientée vers le chinois. À partir du mécanisme de focalisation sur le contexte local (LCF), ce papier propose pour la première fois un modèle d’apprentissage multi-tâches pour l’analyse de sentiment basée sur les aspects orientée vers le chinois, nommé LCF-ATEPC. Contrairement aux modèles existants, ce modèle est capable d’extraire les termes d’aspect et d’inférer leur polarité de manière synchrone. De plus, il est efficace pour analyser simultanément des commentaires en chinois et en anglais, ce que confirme l’expérience menée sur un jeu de données multilingue mixte. En intégrant un modèle BERT adapté au domaine, le modèle LCF-ATEPC atteint des performances de pointe pour l’extraction des termes d’aspect et la classification de leur polarité sur quatre jeux de données de critiques en chinois. En outre, les résultats expérimentaux sur les jeux de données les plus couramment utilisés, à savoir SemEval-2014 Task 4 pour les restaurants et les ordinateurs portables, dépassent les performances de pointe actuelles sur les sous-tâches ATE et APC.