Un cadre simple mais efficace pour l'analyse de sentiment basée sur les aspects en peu d'exemples

Le paradigme de pré-entraînement suivi d’un ajustement fin (fine-tuning) est devenu le cadre dominant dans le domaine de l’analyse de sentiment axée sur les aspects (Aspect-Based Sentiment Analysis, ABSA). Bien qu’il ait atteint des performances solides dans les domaines disposant de suffisamment d’annotations fine-grained liant aspects et sentiments, il reste un défi majeur d’effectuer de l’ABSA en peu d’exemples (few-shot) dans des domaines où les annotations manuelles sont rares. Dans ce travail, nous soutenons que deux types d’écart — l’écart de domaine et l’écart d’objectif — entravent le transfert de connaissances des modèles linguistiques pré-entraînés (PLMs) vers les tâches ABSA. Pour relever ce défi, nous proposons un cadre simple mais efficace, nommé FS-ABSA, qui intègre un pré-entraînement adapté au domaine et un ajustement fin par remplissage de texte (text-infilling). Nous reformulons la tâche d’ABSA end-to-end comme un problème de remplissage de texte, et réalisons le pré-entraînement adapté au domaine avec une fonction objectif de type remplissage, réduisant ainsi les deux écarts et favorisant ainsi le transfert de connaissances. Les expérimentations montrent que le modèle obtenu atteint des performances supérieures aux méthodes de référence dans un cadre à peu d’exemples, tout en surpassant les états de l’art sur plusieurs jeux de données dans un cadre entièrement supervisé. En outre, nous appliquons notre cadre à deux langues à faible ressource non anglophones afin de démontrer sa généralité et son efficacité.