GRACE : Gradient Harmonized and Cascaded Labeling pour l'Analyse de Sentiment Axée sur les Aspects

Dans cet article, nous nous concentrons sur le problème d’imbalanced (déséquilibre) qui est peu étudié dans le cadre de l’extraction de termes d’aspect et de la classification de sentiment par aspect lorsqu’elles sont traitées comme des tâches de labellisation séquentielle. Par ailleurs, les travaux antérieurs négligent généralement les interactions entre les termes d’aspect lors de l’attribution des polarités. Nous proposons un modèle de labellisation GRadient hArmonized and CascadEd (GRACE) afin de résoudre ces problèmes. Plus précisément, un module de labellisation en cascade est conçu pour renforcer les échanges entre les termes d’aspect et améliorer l’attention portée aux tokens de sentiment lors de l’attribution des polarités. La séquence de polarités est conçue de manière à dépendre des étiquettes de termes d’aspect générées. Pour atténuer le problème d’imbalanced, nous adaptons mécanisme harmonisé du gradient, initialement utilisé en détection d’objets, à l’analyse de sentiment basée sur les aspects en ajustant dynamiquement les poids associés à chaque étiquette. Le modèle proposé GRACE repose sur un BERT post-préentraîné comme architecture principale. Les résultats expérimentaux montrent que le modèle proposé améliore de manière cohérente les performances sur plusieurs jeux de données standard et atteint des résultats de pointe.