Analyse des sentiments auto-supervisée
L'analyse des sentiments auto-supervisée combine un pré-entraînement non supervisé à grande échelle — via des objectifs tels que la modélisation de langage masqué ou la prédiction contrastive — avec un affinage (fine-tuning) sur un petit corpus de sentiments étiquetés. L'approche, popularisée par BERT et ses variantes, réduit considérablement le besoin de données étiquetées manuellement tout en atteignant une précision de pointe pour les tâches de classification d'opinions positives/négatives/neutres.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
- Sun, C., Qiu, X., Xu, Y., & Huang, X. (2019). How to fine-tune BERT for text classification? In China National Conference on Chinese Computational Linguistics (CCL 2019), pp. 194–206. Springer. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Learning for Sentiment Analysis. ScholarGate. https://scholargate.app/fr/deep-learning/self-supervised-sentiment-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Classification de texteFouille de textes↔ compare
- Apprentissage par transfertApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →