Modélisation efficace des relations entre clauses pour l'extraction end-to-end de paires émotion-cause

L'extraction de paires émotion-cause vise à extraire toutes les propositions exprimant une émotion associées à leurs propositions causes à partir d'un document donné. Les travaux antérieurs adoptent des approches en deux étapes : la première étape extrait séparément les propositions émotionnelles et les propositions causales, tandis que la seconde étape entraîne un classificateur pour éliminer les paires non pertinentes. Toutefois, ce type de système en pipeline présente des limites, car il souffre de propagation d'erreurs et les deux étapes peinent à s'adapter mutuellement. Dans cet article, nous abordons l'extraction de paires émotion-cause sous l'angle du classement, c’est-à-dire en classant les candidats de paires de propositions présentes dans un document, et proposons une approche neurale en une seule étape qui met l'accent sur la modélisation inter-propositions afin de réaliser une extraction end-to-end. Notre méthode modélise les interrelations entre les propositions d’un document à l’aide d’un mécanisme d’attention basé sur les graphes, afin d’apprendre des représentations de propositions, et améliore les représentations des paires de propositions grâce à une embedding positionnelle relative fondée sur des noyaux, pour un classement plus efficace. Les résultats expérimentaux montrent que notre approche surpasse significativement les systèmes actuels en deux étapes, notamment dans le cas d’extraction de plusieurs paires dans un même document.