Maîtrise de l'interaction explicite entre les rôles d'opinion : Système neuronal de transition assisté par la syntaxe pour l'étiquetage unifié des rôles d'opinion

L'étiquetage unifié des rôles d'opinion (ORL) vise à détecter toutes les structures d'opinion possibles de « détenteur-d'opinion-cible » en une seule passe, étant donné un texte. Malheureusement, la méthode unifiée existante basée sur les transitions est sujette aux termes d'opinion plus longs et ne parvient pas à résoudre le problème de chevauchement des termes. Les meilleures performances actuelles ont été obtenues en utilisant le modèle de graphe basé sur les spans, qui souffre cependant toujours d'une complexité de modèle élevée et d'une interaction insuffisante entre les opinions et les rôles. Dans ce travail, nous explorons une nouvelle solution en reprenant l'architecture des transitions et en l'augmentant avec un réseau pointeur (Pointer Network). Ce cadre analyse toutes les structures d'opinion avec une complexité linéaire, tout en surmontant la limitation de la longueur des termes grâce au PointNet. Pour atteindre des interactions explicites entre opinions et rôles, nous proposons également un graphe de dépendance-unifié-d'opinion (UDOG), qui modélise conjointement la structure de dépendance syntaxique et la structure partielle opinion-rôle. Nous concevons ensuite un agrégateur de graphe centré sur les relations (RCGA) pour encoder le UDOG multi-relationnel, où les représentations d'ordre supérieur résultantes sont utilisées pour améliorer les prédictions dans le système de transition standard. Notre modèle obtient de nouveaux résultats d'état de l'art sur le benchmark MPQA. Des analyses supplémentaires démontrent la supériorité de nos méthodes tant en efficacité qu'en efficience.