Apprentissage actif pour l’extraction des aspects explicites : application à des avis non annotés en français
Résumé
Dans cet article, nous présentons un processus de bout en bout qui utilise l’apprentissage actif pour améliorer l’extraction des aspects explicites pour des langues à faibles ressources dans le cadre d’analyse des opinions et des sentiments. L’extraction des aspects explicites ou implicites, reste difficile en raison de la rareté des données labellisées et de la complexité du processus d’annotation manuelle. Nous avons conçu un processus en deux étapes : nous commençons avec une pré-labellisation via un CRF en utilisant l’apprentissage par transfert de connaissances. Ensuite, nous utilisons l’apprentissage actif pour améliorer la performance de labellisation, gérer les labels manquants et réduire les efforts d’annotation humaine. Nous avons utilisé deux corpus, composés des avis utilisateurs en langue française, sur des produits de beauté et des appareils électroniques pour l’évaluation des processus. Les résultats montrent que l’étape d’apprentissage actif améliore les performances de labellisation lorsque 30% des labels initiaux sont corrigés.
Origine : Fichiers éditeurs autorisés sur une archive ouverte