Cadre neuronal encodeur-décodeur non-autorégressif pour l'extraction tripletée de sentiment basée sur les aspects en bout-en-bout

L'extraction de triplets d'opinion basée sur les aspects (ASTE) vise à identifier conjointement des triplets dans les textes, à savoir les termes d'aspect, les expressions d'opinion et leurs polarités sentimentales associées. En tant que tâche récemment proposée, l'ASTE permet de décrire de manière complète les opinions sous divers angles, afin de mieux soutenir les applications du monde réel. Malheureusement, plusieurs défis majeurs — notamment le problème de chevauchement et les dépendances à longue distance — n'ont pas été efficacement résolus par les méthodes existantes d'ASTE, ce qui limite les performances de cette tâche. Dans cet article, nous présentons un cadre innovant encodeur-décodeur pour l'ASTE en bout-à-bout. Plus précisément, la tâche ASTE est d'abord modélisée comme un problème de prédiction d'ensemble non ordonné de triplets, résolu grâce à un paradigme de décodage non autoregressif basé sur un réseau de pointeurs. Ensuite, nous proposons un mécanisme novateur d'agrégation d'ordre supérieur pour intégrer pleinement les interactions sous-jacentes entre les structures chevauchantes des termes d'aspect et d'opinion. Enfin, une perte de correspondance bipartie est introduite afin de faciliter l'entraînement de notre système non autoregressif. Les résultats expérimentaux sur des jeux de données de référence montrent que notre cadre proposé surpasse significativement les méthodes de pointe. Une analyse complémentaire démontre les avantages de notre approche dans la gestion du problème de chevauchement, la réduction des dépendances à longue distance et l'efficacité du décodage.