Construction automatique d'un lexique sentimentale contextuel

L'explosion des données d'opinion sur le Web a rendu essentiel le besoin d'outils automatiques pour analyser et comprendre les sentiments des gens envers différents sujets. Dans la plupart des applications d'analyse de sentiment, le lexique sentimentale joue un rôle central. Cependant, il est bien connu qu'il n'existe pas de lexique sentimentale universellement optimal, car la polarité des mots est sensible au domaine thématique. Pire encore, dans le même domaine, le même mot peut indiquer des polarités différentes selon les aspects. Par exemple, dans une critique d'ordinateur portable, "grand" est négatif pour l'aspect batterie tout en étant positif pour l'aspect écran. Dans cet article, nous nous concentrons sur le problème de l'apprentissage d'un lexique sentimentale qui est non seulement spécifique au domaine mais aussi dépendant de l'aspect en contexte donné une collection de textes d'opinion non annotés. Nous proposons un nouveau cadre d'optimisation qui fournit un moyen unifié et principiel de combiner différentes sources d'information pour apprendre un tel lexique sentimentale dépendant du contexte. Des expériences sur deux ensembles de données (critiques d'hôtels et enquêtes de retour des clients sur des imprimantes) montrent que notre approche peut non seulement identifier de nouveaux mots sentimentaux spécifiques au domaine donné, mais aussi déterminer les différentes polarités d'un mot en fonction de l'aspect en contexte. Dans une évaluation quantitative supplémentaire, notre méthode s'est révélée efficace pour construire un lexique de haute qualité en le comparant à une norme d'or annotée par des humains. De plus, l'utilisation du lexique sentimentale dépendant du contexte appris a amélioré la précision dans une tâche de classification de sentiment au niveau des aspects.