Transformator Sentimen Aspek Lintas-Domain yang Terkontekstualisasi: Pendekatan Berpusat pada Aspek yang Berbutir Halus untuk Analisis Sentimen yang Sadar Konteks yang Ditingkatkan

ABSTRAK
Analisis sentimen yang peka terhadap konteks (CASA) semakin penting karena sifat sentimen yang kompleks dalam komunikasi digital. Analisis sentimen tradisional sering kali gagal menangkap nuansa dalam lingkungan yang kaya konteks, menghadapi tantangan seperti mengurai sentimen, beradaptasi dengan konteks yang dinamis, dan menangani variasi lintas domain. Selain itu, kelangkaan data dan subjektivitas dalam interpretasi sentimen mempersulit CASA. Untuk mengatasi tantangan ini, makalah ini mengusulkan Jaringan Transformator Sentimen Aspek Lintas Domain yang Dikontekstualisasikan (CC-ASTN) yang mengintegrasikan penyematan berbasis BERT dengan penyematan khusus aspek untuk detail sentimen kontekstual dan khusus aspek yang bernuansa. Fitur inti CC-ASTN adalah analisis sentimennya yang sangat rinci, yang dimulai dengan analisis tingkat kata untuk membedakan isyarat dan pengubah emosional yang halus, yang memungkinkan model untuk mendeteksi nuansa sentimen. Mekanisme perhatian ganda yang baru secara dinamis menyesuaikan fokus berdasarkan relevansi, menyelesaikan ambiguitas. Pelatihan adversarial domain tingkat lanjut dan teknik pembelajaran transfer memastikan adaptasi lintas domain yang efektif, sementara strategi augmentasi data dan pembelajaran beberapa bidikan mengatasi kelangkaan data. Pendekatan hierarkis untuk analisis sentimen memecah sentimen kompleks menjadi komponen-komponen granular. Ketahanan model ditingkatkan melalui dropout, normalisasi lapisan, dan estimasi kontrastif noise (NCE), yang memastikan stabilitas dan konsistensi kinerja. Fungsi kerugian komposit menyeimbangkan beberapa tujuan, memfasilitasi analisis sentimen yang tepat dan netral domain. Selain itu, model ini mengintegrasikan mekanisme umpan balik waktu nyata dan memanfaatkan pendekatan multi-moda dengan menggabungkan data tekstual, visual, dan kontekstual untuk analisis holistik. Model CC-ASTN menunjukkan efisiensi yang signifikan, dengan pelatihan biasanya memakan waktu ˜5 jam. Hasil eksperimen memvalidasi keefektifan model, yang menunjukkan peningkatan signifikan atas metode yang ada pada dataset SemEval2014 Task 4 dan SentiHood. Model ini mencapai waktu inferensi ˜2 detik, yang menyoroti kesesuaiannya untuk aplikasi waktu nyata. Temuan ini menggarisbawahi kemanjuran CC-ASTN sebagai solusi canggih untuk analisis sentimen yang sadar konteks, menangkap variasi sentimen dan nuansa tingkat aspek dengan presisi dan efisiensi tinggi. Kemampuan adaptasinya terhadap tren yang berubah dengan cepat dan integrasi umpan balik waktu nyata meningkatkan penerapannya dalam skenario dunia nyata yang dinamis, menjadikannya alat yang efektif untuk analisis sentimen di berbagai bidang.