File size: 3,925 Bytes
71fb82a 118bfc0 71fb82a 118bfc0 71fb82a 118bfc0 71fb82a 118bfc0 71fb82a | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 | ---
language: fr
license: mit
tags:
- absa
- aspect-based-sentiment-analysis
- deberta
- natural-language-processing
model_name: DeBERTa-v3 ABSA (Extraction de Termes d'Aspect et Classification de Polarité)
---
# DeBERTa-v3 pour l'Analyse de Sentiment Basée sur les Aspects (ABSA)
Ce dépôt contient un modèle DeBERTa-v3 ajusté (fine-tuned) spécifiquement pour l'**Extraction de Termes d'Aspect (ATE)** et la **Classification de Polarité (PC)** en utilisant la bibliothèque `PyABSA`.
> [!IMPORTANT]
> **Ce modèle est entraîné exclusivement sur des données en anglais.** Bien que la documentation soit disponible en français, les entrées fournies au modèle doivent impérativement être en anglais pour obtenir des résultats fiables.
## Description du Modèle
Le modèle est conçu pour :
1. **Extraire les Aspects** : Identifier automatiquement les caractéristiques ou sujets spécifiques mentionnés dans une phrase (ex: "nourriture", "service", "autonomie de la batterie").
2. **Classer le Sentiment** : Déterminer le sentiment exprimé envers chaque aspect identifié (Positif, Négatif ou Neutre).
Il est basé sur l'architecture `microsoft/deberta-v3-base`, qui offre des performances supérieures dans les tâches de NLU par rapport à BERT ou RoBERTa.
## Installation
Pour utiliser ce modèle, vous devez installer `pyabsa` et ses dépendances :
```bash
pip install pyabsa transformers torch
```
## Utilisation
Vous pouvez utiliser l'extrait suivant pour exécuter une inférence localement :
```python
import os
from pyabsa import AspectTermExtraction as ATEPC
# Initialiser l'extracteur d'aspects
# PyABSA gérera automatiquement le téléchargement et le chargement du modèle s'il est lié à HF
model = ATEPC.AspectExtractor(checkpoint="votre-nom-d-utilisateur/deberta-absa")
text = "The food was delicious but the service was extremely slow."
result = model.predict(text, print_result=True)
# Traiter les résultats
for aspect, sentiment in zip(result['aspect'], result['sentiment']):
print(f"Aspect: {aspect} | Sentiment: {sentiment}")
```
## Format d'Entrée/Sortie
### Entrée
Le modèle accepte une chaîne de texte brut (une phrase ou un paragraphe).
Exemple : `"The pizza was amazing but the staff was rude."`
### Sortie
Le modèle renvoie un résultat structuré contenant :
- **Aspects** : Les entités ou caractéristiques spécifiques identifiées (ex: `["pizza", "personnel"]`).
- **Sentiments** : La polarité du sentiment pour chaque aspect (ex: `["positive", "negative"]`).
### Sortie Détaillée
Pour les utilisateurs avancés, le modèle fournit une sortie plus granulaire incluant des informations au niveau des jetons et des probabilités de sentiment :
```json
{
"sentence": "The pizza was amazing",
"tokens": ["The", "pizza", "was", "amazing"],
"IOB": ["O", "B-ASP", "O", "O"],
"aspect": ["pizza"],
"position": [[1]],
"sentiment": ["positive"],
"probs": [[0.0002, 0.0003, 0.9994]],
"confidence": [0.9994]
}
```
- **IOB** : Balises Inside-Outside-Beginning pour l'extraction de termes d'aspect.
- **Probs** : Distribution de probabilité sur `[négatif, neutre, positif]`.
- **Position** : Décalage du jeton de l'aspect dans la phrase.
Le modèle a été entraîné sur un jeu de données combiné incluant **SemEval 2014**, **SemEval 2015** et **SemEval 2016** (Ordinateurs portables et Restaurants), en se concentrant sur une extraction d'aspect robuste et une classification de sentiment de haute précision.
## Performance
| Tâche | Précision / F1 |
| --- | --- |
| Extraction d'Aspect (ATE F1) | 85.85% |
| Classification de Polarité (APC Accuracy) | 89.86% |
| Classification de Polarité (APC F1) | 84.08% |
## Auteurs
Ce travail a été développé et affiné par :
- **Othmen Siwar**
- **Bouallégue Abir**
## Citation
Si vous utilisez ce modèle, veuillez citer le dépôt PyABSA original et l'article DeBERTa.
|