README.md

---
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.