Réseau d'attention à granularité multiple pour la classification sentimentale au niveau des aspects

Nous proposons un nouveau modèle de réseau d’attention à plusieurs granularités (MGAN) pour la classification du sentiment au niveau des aspects. Les approches existantes adoptent principalement un mécanisme d’attention à granularité grossière, ce qui peut entraîner une perte d’information lorsque l’aspect est composé de plusieurs mots ou lorsqu’il est entouré d’un contexte étendu. Nous introduisons un mécanisme d’attention à granularité fine, capable de capturer les interactions au niveau des mots entre l’aspect et son contexte. Ensuite, nous combinons les mécanismes d’attention à granularité fine et grossière pour construire le cadre MGAN. De plus, contrairement aux travaux antérieurs qui entraînent chaque aspect indépendamment avec son contexte, nous proposons une perte d’alignement des aspects afin de modéliser les interactions au niveau des aspects partageant le même contexte. Nous évaluons l’approche proposée sur trois jeux de données : les données laptop et restaurant proviennent de SemEval 2014, et le troisième est un jeu de données Twitter. Les résultats expérimentaux montrent que le réseau d’attention à plusieurs granularités surpasse de manière cohérente les méthodes de pointe sur les trois jeux de données. Nous menons également des expériences pour évaluer l’efficacité de la perte d’alignement des aspects, ce qui indique que les interactions au niveau des aspects apportent des informations supplémentaires utiles et améliorent davantage les performances.