Comprenez-moi, si vous faites référence à Aspect Knowledge : Knowledge-aware Gated Recurrent Memory Network

La classification du sentiment au niveau de l’aspect (ASC) vise à prédire la polarité fine du sentiment par rapport à un aspect donné mentionné dans un avis. Malgré les progrès récents réalisés dans le domaine de l’ASC, il reste difficile pour les machines d’inférer précisément les sentiments associés aux aspects. Ce papier aborde deux défis majeurs dans l’ASC : (1) en raison du manque de connaissance sur l’aspect, les représentations d’aspect obtenues dans les travaux antérieurs sont insuffisantes pour capturer exactement le sens et les propriétés de l’aspect ; (2) les approches précédentes ne capturent que soit des informations syntaxiques locales, soit des informations relationnelles globales, ce qui entraîne une perte d’information syntaxique essentielle lorsqu’elles ne prennent en compte qu’un seul type d’information. Pour relever ces défis, nous proposons un nouveau modèle d’ASC qui intègre de manière end-to-end et exploite efficacement la connaissance sur l’aspect, tout en combinant les deux types d’informations syntaxiques afin qu’elles se compensent mutuellement. Notre modèle repose sur trois composants clés : (1) un réseau récurrent à mémoire à porte sensible à la connaissance, qui intègre de manière itérative une connaissance d’aspect dynamiquement résumée ; (2) un réseau de graphe syntaxique dual, qui combine les deux types d’informations syntaxiques pour capturer de manière exhaustive des informations syntaxiques suffisantes ; (3) une porte d’intégration de connaissance, qui renforce la représentation finale en y ajoutant une connaissance d’aspect supplémentaire nécessaire ; (4) un mécanisme d’attention de l’aspect vers le contexte, qui agrège les sémantiques liées à l’aspect issues de tous les états cachés pour former la représentation finale. Les résultats expérimentaux sur plusieurs jeux de données standard démontrent l’efficacité de notre modèle, qui surpassent largement les modèles d’état de l’art précédents en termes de précision (Accuracy) et de F1 macro.