| --- |
| 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. |
|
|
