Modélisation efficace de l'attention pour la classification sentimentale au niveau des aspects

La classification du sentiment au niveau des aspects vise à déterminer la polarité du sentiment d'une phrase d'avis par rapport à une cible d'opinion. Une même phrase peut contenir plusieurs paires sentiment-cible ; le défi principal de cette tâche réside donc dans la séparation des différents contextes d'opinion associés à chacune de ces cibles. À cet effet, le mécanisme d'attention a joué un rôle essentiel dans les modèles neuronaux les plus avancés. Ce mécanisme permet de capturer l'importance de chaque mot du contexte par rapport à une cible en modélisant leurs associations sémantiques. Nous nous appuyons sur cette approche et proposons deux nouvelles méthodes visant à améliorer l'efficacité de l'attention. Premièrement, nous introduisons une méthode de représentation des cibles qui capte de manière plus précise le sens sémantique de l'objet d'opinion. Deuxièmement, nous proposons un modèle d'attention intégrant des informations syntaxiques dans le mécanisme d'attention. Nous menons des expérimentations sur des modèles LSTM (Long Short-Term Memory) basés sur l'attention, en utilisant les jeux de données de SemEval 2014, 2015 et 2016. Les résultats expérimentaux montrent qu'un modèle LSTM basé sur l'attention classique peut être significativement amélioré en intégrant les deux approches proposées.