Apprendre à partir de la portée structurelle : améliorer l'analyse du sentiment au niveau des aspects à l'aide de réseaux de convolution graphique hybrides

L’analyse de sentiment au niveau des aspects vise à déterminer la polarité du sentiment envers une cible spécifique dans une phrase. Le défi principal de cette tâche consiste à modéliser efficacement la relation entre les cibles et les sentiments, afin d’éliminer les mots d’opinion bruyants associés à des cibles non pertinentes. La plupart des approches récentes capturent ces relations à travers des paires cible-sentiment ou des segments d’opinion, selon une perspective au niveau des mots ou des phrases. En observant que les cibles et les sentiments établissent essentiellement des relations suivant la hiérarchie grammaticale de la structure phrase-clause-sentence, il est prometteur d’exploiter des informations syntaxiques complètes pour mieux guider le processus d’apprentissage. Par conséquent, nous introduisons le concept de « portée » (Scope), qui définit une région structurée du texte liée à une cible spécifique. Afin d’apprendre conjointement la portée structurée et de prédire la polarité du sentiment, nous proposons un réseau de convolution graphique hybride (HGCN) qui synthétise l’information provenant à la fois de l’arbre constituante et de l’arbre de dépendance, explorant ainsi le potentiel de relier deux méthodes d’analyse syntaxique pour enrichir les représentations. Les résultats expérimentaux sur quatre jeux de données publics montrent que notre modèle HGCN surpasse les méthodes de pointe actuelles.