Amélioration de la classification émotionnelle multi-label par l’intégration de connaissances générales et spécifiques au domaine

Les modèles linguistiques généraux fondés sur l’apprentissage profond ont atteint des résultats de pointe dans de nombreuses tâches courantes, telles que l’analyse d’opinion et les tâches de question-réponse. Le texte issu de domaines comme les réseaux sociaux présente des caractéristiques distinctives propres. L’acquisition de connaissances spécifiques au domaine s’avère donc particulièrement utile pour les tâches pertinentes à ce domaine. Dans ce travail, nous proposons une méthode simple pour extraire des connaissances de domaine, puis une approche pour intégrer ces connaissances spécifiques aux connaissances générales à l’aide de modèles linguistiques profonds, afin d’améliorer les performances de classification des émotions. Des expérimentations sur des données Twitter montrent que, même si un modèle linguistique profond pré-entraîné sur des données du domaine cible atteint des résultats comparables à ceux des modèles d’état de l’art précédents, ce modèle peut néanmoins bénéficier davantage de nos connaissances de domaine extraites pour obtenir une amélioration supplémentaire. Ces résultats mettent en évidence l’importance de tirer parti des connaissances de domaine dans les applications spécifiques à un domaine.