Apprentissage des interactions au niveau des spans pour l’extraction de triplets d’aspect-sentiment

L'extraction de triplet d'aspect-sentiment (ASTE) est la tâche sous-jacente la plus récente de l'analyse des sentiments basée sur les aspects (ABSA), qui génère des triplets composés d'une cible d'aspect, de sa polarité associée et du terme d'opinion correspondant. Les modèles récents effectuent l'extraction de triplets de manière end-to-end mais dépendent fortement des interactions entre chaque mot cible et chaque mot d'opinion. Par conséquent, ils ne parviennent pas à bien traiter les cibles et les opinions qui contiennent plusieurs mots. Notre approche proposée au niveau des segments considère explicitement l'interaction entre les segments complets des cibles et des opinions lors de la prédiction de leur relation sentimentale. Ainsi, elle peut faire des prédictions en tenant compte de la sémantique des segments entiers, garantissant une meilleure cohérence sentimentale. Pour atténuer le coût computationnel élevé lié à l'énumération des segments, nous proposons une stratégie de réduction des segments à double canal en intégrant la supervision provenant des tâches d'extraction de termes d'aspect (ATE) et d'extraction de termes d'opinion (OTE). Cette stratégie non seulement améliore l'efficacité computationnelle, mais distingue également les segments d'opinions et de cibles plus adéquatement. Notre cadre atteint simultanément des performances solides pour l'ASTE ainsi que pour les tâches ATE et OTE. En particulier, notre analyse montre que notre approche au niveau des segments réalise des améliorations plus significatives par rapport aux modèles de base sur les triplets comportant des cibles ou des opinions multicritères.