Une approche hybride pour l'analyse d'opinion basée sur les aspects utilisant des embeddings de mots contextuels profonds et une attention hiérarchique

Le Web est devenu la principale plateforme où les individus expriment leurs opinions concernant des entités d’intérêt et leurs aspects associés. L’Analyse de Sentiment Axée sur les Aspects (ABSA) vise à calculer automatiquement le sentiment portant sur ces aspects à partir de textes exprimant des opinions. Dans cet article, nous étendons la méthode de pointe actuelle, l’approche hybride pour l’ABSA (HAABSA), dans deux directions. Premièrement, nous remplaçons les embeddings de mots non contextuels par des embeddings de mots contextuels profonds afin de mieux prendre en compte la sémantique des mots dans un texte donné. Deuxièmement, nous introduisons une attention hiérarchique en ajoutant une couche d’attention supplémentaire aux représentations de haut niveau de HAABSA, afin d’accroître la flexibilité de la méthode dans la modélisation des données d’entrée. En utilisant deux jeux de données standards (SemEval 2015 et SemEval 2016), nous démontrons que les extensions proposées améliorent la précision du modèle construit pour l’ABSA.