Algorithme de modèle d'apprentissage profond pour l'analyse des sentiments

Nous vivons à une époque de prolifération étonnante des données et de partage de contenu créé par les utilisateurs sur toutes sortes de médias, des réseaux sociaux aux sites d’information, des critiques de commerce électronique aux forums sans fin pour tous les types d’intérêt et de niche.

Être capable d’interpréter avec précision les émotions transmises par de tels messages est de plus en plus important pour les sciences sociales et la politique, le marketing, les affaires, l’économie et ailleurs.

Les avancées récentes dans le domaine de ce que l'on appelle « l'analyse des sentiments » ont conduit au développement de modèles plus sophistiqués capables d'extraire et d'interpréter les subtilités émotionnelles des données textuelles. L'un de ces modèles est le BERT-ABiLSTM (Bidirectionnel Encoder Representations from Transformers, Attention Bidirectionnel Long Short-Term Memory).

Recherche publiée dans le Journal international des technologies de l'information et de la communication L'auteur explique comment cet algorithme pré-entraîné à grande échelle peut être utilisé pour l'analyse des sentiments. Cependant, comme le souligne l'auteur Zhubin Luo, de l'Université des sciences humaines, de la science et de la technologie du Hunan en Chine, l'utilisation d'ABiLSTM par le système implique certaines limites car il se concentre sur les caractéristiques globales et peut négliger les nuances.

Selon Luo, BERT est capable d'apprendre des représentations linguistiques à partir de vastes volumes de texte. L'ABiLSTM, un réseau neuronal récurrent, traite des séquences de texte. Luo a maintenant ajouté TextCNN (Text Convolutional Neural Network) au système pour créer BERT-CNN-ABiLSTM, une version plus sophistiquée du modèle.

Dans l'ensemble, l'approche bidirectionnelle sous-jacente permet au modèle de comprendre le contexte des segments de texte passé-futur et futur-passé. Cela est important pour capturer les dépendances à long terme dans le texte. Le mécanisme d'attention d'ABiLSTM affine encore cela en permettant au modèle de se concentrer sur les parties les plus pertinentes du texte lors de la réalisation de prédictions, améliorant ainsi la précision de l'analyse des sentiments.

Le composant TextCNN utilise ensuite des noyaux convolutionnels de différentes tailles pour détecter différentes granularités de caractéristiques au sein du texte. Cela permet au modèle de capturer des modèles locaux beaucoup plus subtils au sein du texte qui auraient été manqués par des modèles plus simples, fournissant ainsi une analyse encore plus détaillée du contenu textuel.

Les améliorations signalées par Luo sont particulièrement pertinentes pour les scénarios qui nécessitent une classification et une reconnaissance de texte détaillées. Il peut s'agir d'une analyse des sentiments sur les réseaux sociaux, d'une évaluation des commentaires des clients sur les plateformes de commerce électronique ou de la mise en place de systèmes de questions-réponses en ligne « intelligents ».