Modèles de langage lissés par émoticônes pour l'analyse de sentiment sur Twitter

L'analyse de sentiment sur Twitter (TSA) est devenu un sujet de recherche brûlant ces dernières années. L'objectif de cette tâche est de découvrir l'attitude ou l'opinion des tweets, qui est généralement formulée comme un problème de classification de texte basé sur l'apprentissage machine. Certaines méthodes utilisent des données étiquetées manuellement pour Former des modèles entièrement supervisés, tandis que d'autres utilisent des étiquettes bruyantes, telles que des émoticônes et des hashtags, pour l'entraînement des modèles. En général, nous ne pouvons obtenir qu'un nombre limité de données d'entraînement pour les modèles entièrement supervisés car étiqueter manuellement les tweets est très laborieux et chronophage. En ce qui concerne les modèles avec des étiquettes bruitées, il est difficile pour eux d'atteindre des performances satisfaisantes en raison du bruit dans les étiquettes, bien qu'il soit facile d'obtenir une grande quantité de données pour l'entraînement. Par conséquent, la meilleure stratégie est d'utiliser à la fois des données étiquetées manuellement et des données étiquetées bruyantes pour l'entraînement. Cependant, comment intégrer sans couture ces deux types de données dans le même cadre d'apprentissage reste un défi. Dans cet article, nous présentons un modèle novateur, appelé modèle de langage lissé par émoticônes (ESLAM), pour relever ce défi. L'idée de base est de former un modèle linguistique basé sur les données étiquetées manuellement, puis d'utiliser les données bruyantes des émoticônes pour le lissage. Des expériences sur des ensembles de données réels démontrent qu'ESLAM peut intégrer efficacement les deux types de données pour surpasser les méthodes utilisant uniquement l'une d'entre elles.