Amélioration de l’étiquetage des rôles d’opinion grâce à des représentations sémantiques sensibles issues de l’étiquetage des rôles sémantiques

L’étiquetage des rôles d’opinion (ORL) est une tâche essentielle pour l’extraction fine-grained des opinions, consistant à identifier des arguments d’opinion importants tels que le porteur et la cible à partir d’un déclencheur d’opinion donné. Cette tâche est étroitement corrélée au marquage des rôles sémantiques (SRL), qui vise à repérer des arguments sémantiques clés tels que l’agent et le patient par rapport à un prédicat donné. Étant donné que les agents et les patients dans le cadre du SRL correspondent généralement respectivement aux porteurs et aux cibles d’opinion, le SRL peut offrir une aide précieuse pour l’ORL. Dans ce travail, nous proposons une méthode simple et novatrice pour améliorer l’ORL en exploitant le SRL, en introduisant des représentations sémantiques enrichies apprises à partir de données de SRL. Ces représentations sont ensuite intégrées comme entrées de base dans un modèle de base neuronal pour l’ORL. Nous validons la méthode proposée sur le corpus de référence MPQA. Les résultats expérimentaux montrent que la méthode est très efficace. En outre, nous comparons notre approche à deux méthodes représentatives d’intégration du SRL, et constatons que notre méthode surpasse significativement les deux, atteignant un score F supérieur de 1,47 % à celui de la meilleure méthode existante.