InstructABSA : Apprentissage par instruction pour l'analyse de sentiment basée sur les aspects

Nous présentons InstructABSA, un paradigme d'apprentissage par instruction pour les sous-tâches d'Analyse de Sentiment Basée sur les Aspects (ABSA). Notre méthode introduit des exemples positifs, négatifs et neutres à chaque échantillon d'entraînement, et ajuste le modèle (Tk-Instruct) pour les sous-tâches d'ABSA, ce qui entraîne des améliorations significatives des performances. Les résultats expérimentaux sur les ensembles de données SemEval 2014, 2015 et 2016 montrent que InstructABSA surpasse les approches précédentes de l'état de l'art (SOTA) dans les sous-tâches d'Extraction de Termes (ATE), de Classification de Sentiment (ATSC) et d'Extraction de Paires de Sentiments (ASPE). En particulier, InstructABSA dépasse l'état de l'art précédent (SOTA) dans la sous-tâche ATE du domaine Rest14 avec une amélioration de 5,69 points, dans la sous-tâche ATSC du domaine Rest15 avec une amélioration de 9,59 points, et dans la sous-tâche AOPE du domaine Lapt14 avec une amélioration de 3,37 points, surpassant ainsi des modèles jusqu'à 7 fois plus grands. Nous obtenons également des résultats compétitifs dans les sous-tâches AOOE, AOPE et AOSTE, indiquant une forte capacité de généralisation à toutes les sous-tâches. L'exploration de l'efficacité des échantillons révèle que seulement 50% des données d'entraînement sont nécessaires pour obtenir des résultats compétitifs avec d'autres approches d'ajustement par instruction. Enfin, nous évaluons la qualité des instructions et observons que les performances d'InstructABSA diminuent d'environ 10% lorsque des exemples trompeurs sont ajoutés.