SpanEmo : Mettre en œuvre la classification émotionnelle multi-label comme une tâche de prédiction de segments

La reconnaissance des émotions (ER) est une tâche essentielle en traitement du langage naturel (NLP), en raison de son impact important dans des applications réelles allant de la santé et du bien-être à la caractérisation d’auteurs, l’analyse des consommateurs et la sécurité. Les approches actuelles de l’ER classent principalement les émotions de manière indépendante, sans tenir compte du fait que plusieurs émotions peuvent coexister. Ces méthodes négligent ainsi les ambiguïtés potentielles où plusieurs émotions se superposent. Nous proposons un nouveau modèle, « SpanEmo », qui reformule la classification multi-étiquettes des émotions comme une tâche de prédiction de segments (span-prediction), permettant aux modèles d’ER d’apprendre efficacement les associations entre les étiquettes émotionnelles et les mots d’une phrase. Par ailleurs, nous introduisons une fonction de perte conçue spécifiquement pour modéliser la présence de plusieurs émotions coexistantes dans une phrase d’entrée. Des expériences menées sur le jeu de données multi-étiquettes SemEval2018, couvrant trois langues (anglais, arabe et espagnol), démontrent l’efficacité de notre méthode. Enfin, nous présentons diverses analyses qui illustrent les avantages de notre approche, notamment en termes d’amélioration des performances du modèle et d’apprentissage d’associations significatives entre les classes émotionnelles et les mots d’une phrase.