SetFitABSA : Analyse de Sentiments avec Peu de Données
SetFitABSA simplifie l'analyse des sentiments aspectuelle avec une approche few-shot. Découvrez comment ce modèle innovant optimise vos processus.
Les entreprises peinent souvent à extraire des insights pertinents des retours clients en raison de la nécessité de données étiquetées à un niveau granulaire. Grâce à SetFitABSA, une collaboration entre Intel Labs et Hugging Face, l’analyse des sentiments aspectuelle (ABSA) connaît une avancée majeure en se passant de ces contraintes.
Comprendre le fonctionnement de SetFitABSA
Le processus d’entraînement de SetFitABSA se décompose en trois étapes cruciales : extraction des candidats aspects, classification des aspects, et enfin attribution d’une polarité de sentiment. En commençant par identifier les « candidates aspects » à partir de noms et de groupes nominaux, le modèle utilise spaCy pour générer ces candidats à partir d’un petit ensemble de données. Cette approche allège le besoin en données étiquetées dans les scénarios few-shot.
Classification des aspects et non-aspects à l’aide de SetFit
Une fois les candidats aspects identifiés, SetFitABSA les classe en aspects et non-aspects à l’aide du modèle SetFit. Cela s’effectue en concaténant chaque candidat aspect avec la phrase de formation d’origine, créant ainsi des instances de formation qui déterminent si le terme est un aspect réel ou non. Cette approche est innovante par sa simplicité. Ajoutons que le modèle élimine le besoin de prompts souvent casse-tête que demandent les LLM classiques comme Llama2 ou T5.
SetFitABSA révolutionne l’ABSA en permettant l’entraînement avec peu de données et sans prompts, pour une analyse de sentiments plus rapide et accessible.
Attribution de la polarité de sentiment
Après la détection des aspects, un deuxième modèle SetFit attribue la polarité du sentiment aux aspects identifiés : positif, négatif ou neutre. Un exemple parlant vient de l’analyse de « Waiters aren’t friendly but the cream pasta is out of this world », où ‘Waiters’ est associé au sentiment négatif et ‘cream pasta’ à un sentiment positif.
« Le vrai défi réside dans la simplicité du processus, réduisant le besoin de lourdes infrastructures de données étiquetées. »
Analyse éditoriale
Benchmarking et performance
Benchmarké par rapport aux standards de recherche de AWS AI Labs et Salesforce, SetFitABSA rivalise et surpasse dans certains cas les modèles LLM pour l’ABSA. Cette performance solide ne signifie pas une approche coûteuse ; au contraire, elle propose une solution viable économiquement avec peu de données d’entrée.
Il devient clair que ceux souhaitant implémenter une analyse de sentiments aspectuelle ont désormais à leur disposition un outil qui conjugue efficacité et simplicité.