Modélisation des dépendances dans l'extraction de triplets aspect-sentiment avec ASTE Transformer

L'extraction de triplets aspect-sentiment (ASTE) est une tâche récemment proposée dans le domaine de l'analyse de sentiments basée sur les aspects, qui consiste à extraire des triplets (phrase d'aspect, phrase d'opinion, polarité de sentiment) à partir d'une phrase donnée. Les méthodes les plus récentes et performantes abordent cette tâche en extrayant d'abord toutes les séquences de texte possibles à partir d'un texte donné, puis en filtrant les phrases potentielles d'aspect et d'opinion avec un classifieur, et enfin en considérant toutes leurs paires avec un autre classifieur qui attribue également la polarité de sentiment. Bien que plusieurs variantes de ce schéma aient été proposées, la caractéristique commune est que le résultat final est construit par une série de décisions indépendantes des classifieurs. Cela entrave l'exploitation des dépendances entre les phrases extraites et empêche l'utilisation des connaissances sur les interrelations entre les prédictions des classifieurs pour améliorer les performances. Dans cet article, nous proposons une nouvelle approche ASTE composée de trois couches inspirées des transformers, permettant la modélisation des dépendances tant entre les phrases qu'entre les décisions finales du classifieur. Les résultats expérimentaux montrent que cette méthode atteint une meilleure performance en termes de mesure F1 que les autres méthodes étudiées sur des benchmarks populaires. De plus, nous démontrons qu'une technique simple de pré-entraînement améliore encore davantage les performances du modèle.