Génération de pseudo-étiquettes basée sur l'alignement avec un mécanisme de filtrage collaboratif pour une analyse de sentiment basée sur les aspects améliorée à travers les domaines

L'analyse de sentiment basée sur les aspects (ABSA) dans des domaines tels que les achats en ligne et les restaurants peut effectivement faciliter des améliorations de service spécifiques. Cependant, la performance de l'ABSA dépend fortement de données étiquetées de haute qualité, ce qui représente un défi majeur dans les domaines avec peu de données. Pour résoudre le problème de la rareté des données, la recherche existante en ABSA inter-domaines utilise l'apprentissage semi-supervisé avec des pseudo-étiquettes. Malheureusement, des pseudo-étiquettes de faible qualité peuvent induire en erreur l'apprentissage du modèle, entraînant des résultats sous-optimaux. Deux questions clés sont soulevées dans cet article : comment améliorer la qualité de la génération de pseudo-étiquettes et comment filtrer avec précision les pseudo-étiquettes invalides. Tout d'abord, bien que l'entraînement traditionnel adversarial vise à améliorer la généralisation du modèle, son instabilité et ses difficultés de convergence entravent son efficacité dans la gestion des différences inter-domaines complexes. Pour relever ce défi, nous introduisons une stratégie de pré-alignement de style de scène. Cette méthode réduit efficacement les différences de caractéristiques de style entre les domaines et résout les limites de l'entraînement adversarial en termes de convergence et de stabilité, améliorant ainsi la qualité de la génération de pseudo-tags. Deuxièmement, nous proposons un mécanisme de filtrage collaboratif des pseudo-étiquettes, qui se concentre sur le filtrage des étiquettes et des textes qui pourraient induire le modèle en erreur en comparant la similarité des caractéristiques de scène entre les textes générés basés sur les pseudo-étiquettes et les textes du domaine cible. Notre approche atteint des gains de performance significatifs sur plusieurs ensembles de données publiques, démontrant que la combinaison de l'apprentissage pré-entrainé aligné et de l'entraînement adversarial, ainsi que des mécanismes de filtrage collaboratif, améliore effectivement l'adaptation du modèle au domaine.