Cet article présente une approche pour SemEval-2026 Task 3, qui se concentre sur l'analyse de sentiment aspectuelle dimensionnelle. Le travail explore des méthodes pour prédire des scores réels à valeur fine pour la valence et l'éveil du sentiment plutôt que des étiquettes catégorielles traditionnelles.

  • L'équipe participe à la Subtask 1, qui consiste à prédire des scores pour des aspects donnés, et à la Subtask 3, qui extrait des ensembles complets de détails de sentiment incluant les aspects, les catégories, les opinions et les scores.
  • Pour la tâche de régression, l'approche utilise un ensemble pondéré de modèles encodeurs basés sur des Transformers.
  • Pour les entrées en langue russe, la méthode améliore les données en utilisant un grand modèle de langage pour générer des descriptions de sentiment synthétiques.
  • Pour la tâche d'extraction, un LLM décodeur est affiné pour effectuer une prédiction structurée, identifiant simultanément les éléments de sentiment et estimant les scores numériques.