Update README.md

README.md

@@ -1,101 +1,101 @@
----
-language: en
-license: mit
-tags:
-- absa
-- aspect-based-sentiment-analysis
-- deberta
-- natural-language-processing
-model_name: DeBERTa-v3 ABSA (Aspect Term Extraction & Polarity Classification)
----
-
-# DeBERTa-v3 for Aspect-Based Sentiment Analysis (ABSA)
-
-This repository contains a fine-tuned DeBERTa-v3 model specifically trained for **Aspect Term Extraction (ATE)** and **Polarity Classification (PC)** using the `PyABSA` library.
-
-## Model Description
-
-The model is designed to:
-1.  **Extract Aspects**: Automatically identify specific features or topics mentioned in a sentence (e.g., "food", "service", "battery life").
-2.  **Classify Sentiment**: Determine the sentiment expressed towards each identified aspect (Positive, Negative, or Neutral).
-
-It is based on the `microsoft/deberta-v3-base` architecture, which provides superior performance in NLU tasks compared to BERT or RoBERTa.
-
-## Installation
-
-To use this model, you need to install `pyabsa` and its dependencies:
-
-```bash
-pip install pyabsa transformers torch
-```
-
-## Usage
-
-You can use the following snippet to run inference locally:
-
-```python
-import os
-from pyabsa import AspectTermExtraction as ATEPC
-
-# Initialize the Aspect Extractor
-# PyABSA will handle downloading and loading the model automatically if linked to HF
-model = ATEPC.AspectExtractor(checkpoint="your-username/deberta-absa")
-
-text = "The food was delicious but the service was extremely slow."
-result = model.predict(text, print_result=True)
-
-# Process results
-for aspect, sentiment in zip(result['aspect'], result['sentiment']):
-    print(f"Aspect: {aspect} | Sentiment: {sentiment}")
-```
-
-## Input/Output Format
-
-### Input
-The model accepts a raw text string (sentence or paragraph).
-Example: `"The pizza was amazing but the staff was rude."`
-
-### Output
-The model returns a structured result containing:
-- **Aspects**: The specific entities or features identified (e.g., `["pizza", "staff"]`).
-- **Sentiments**: The sentiment polarity for each aspect (e.g., `["positive", "negative"]`).
-
-### Detailed Output
-For advanced users, the model provides a more granular output including token-level information and sentiment probabilities:
-
-```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**: Inside-Outside-Beginning tags for Aspect Term Extraction.
-- **Probs**: Probability distribution across `[negative, neutral, positive]`.
-- **Position**: Token offset of the aspect in the sentence.
-
-The model was trained on a combined dataset including **SemEval 2014**, **SemEval 2015**, and **SemEval 2016** (Laptops and Restaurants), focusing on robust aspect extraction and high-precision sentiment classification.
-
-## Performance
-
-| Task | Accuracy / F1 |
-| --- | --- |
-| Aspect Extraction (ATE F1) | 85.85% |
-| Polarity Classification (APC Accuracy) | 89.86% |
-| Polarity Classification (APC F1) | 84.08% |
-
-## Authors
-
-This work was developed and fine-tuned by:
-- **Othmen Siwar**
-- **Bouallégue Abir**
-
-## Citation
-
-If you use this model, please cite the original PyABSA repository and the DeBERTa paper.
+---
+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`.
+
+## 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 = "La nourriture était délicieuse mais le service était extrêmement lent."
+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 : `"La pizza était incroyable mais le personnel était impoli."`
+
+### 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": "La pizza était incroyable",
+  "tokens": ["La", "pizza", "était", "incroyable"],
+  "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.