Analyse ciblée de sentiment basée sur les aspects par intégration de connaissances courantes dans un LSTM attentif

Analyser les opinions et les sentiments des individus à l’égard de certains aspects est une tâche essentielle en compréhension du langage naturel. Dans cet article, nous proposons une nouvelle approche pour l’analyse ciblée des sentiments par aspect, qui surmonte les défis posés à la fois par l’analyse des sentiments par aspect et par l’analyse des sentiments ciblés en exploitant des connaissances du sens commun. Nous enrichissons le réseau de mémoire à court terme (LSTM) avec un mécanisme d’attention hiérarchique composé d’une attention au niveau de la cible et d’une attention au niveau de la phrase. Les connaissances du sens commun relatives aux concepts émotionnels sont intégrées dans l’entraînement end-to-end d’un réseau neuronal profond destiné à la classification des sentiments. Afin d’intégrer de manière étroite ces connaissances du sens commun dans l’encodeur récurrent, nous proposons une extension de l’LSTM, appelée Sentic LSTM. Nous menons des expériences sur deux jeux de données publiques, dont les résultats montrent que la combinaison de l’architecture d’attention proposée et de la Sentic LSTM permet de surpasser les méthodes de pointe dans les tâches d’analyse ciblée des sentiments par aspect.