Apprentissage des catégories d'aspects et analyse sentimentale utilisant l'apprentissage faiblement supervisé

La montée des avis e-commerce a présenté un défi pour annoter manuellement le vaste volume d'avis afin de comprendre leurs aspects sous-jacents et leurs sentiments. Cette recherche se concentre sur l'exploitation de l'apprentissage faiblement supervisé pour aborder l'apprentissage des catégories d'aspects et la classification des sentiments des avis. Notre approche implique la génération d'étiquettes pour les aspects et les sentiments, en utilisant le cadre Snorkel de l'apprentissage faiblement supervisé, qui intègre des termes d'aspect, des scores de sentiment des avis et des évaluations des avis comme sources de signaux faibles. Cette stratégie innovante réduit considérablement les efforts de labellisation laborieux requis pour le traitement de ces ensembles de données extensifs. Dans cette étude, nous avons déployé des modèles hybrides, à savoir BiLSTM, CNN-BiLSTM et CNN-LSTM, qui exploitent plusieurs entrées, y compris le texte des avis, les termes d'aspect et les évaluations. Notre modèle proposé utilise deux fonctions de perte distinctes : l'entropie croisée binaire avec activation sigmoïde pour la classification multi-étiquettes, nous permettant d'apprendre des étiquettes d'aspect telles que la qualité, l'utilisabilité, le service, la taille et le prix, et l'entropie croisée catégorique avec activations softmax pour la classification multi-classe. Par la suite, nous évaluons minutieusement les métriques de performance de ces trois modèles mis en œuvre, y compris le score Macro F1 et la précision Macro. Le modèle CNN & Bi-LSTM a atteint des scores F1 de 0.78 et 0.79 pour l'identification des aspects et des sentiments, respectivement. Les résultats de cette recherche sont prêts à apporter une contribution substantielle aux plateformes de e-commerce, offrant un moyen efficace et automatisé de labelliser et d'analyser d'immenses quantités d'avis utilisateurs.