Construir conjuntos de modelos de Análise de Sentimento Baseada em Aspectos (ABSA) pode ser um desafio. Cada modelo pode extrair aspectos distintos, onde alguns poderiam estar parcialmente corretos, e prever diferentes sentimentos associados a cada aspecto. A complexidade dos resultados é um dos principais problemas na construção de um consenso nesta configuração de aprendizagem. Além disso, a ABSA enfrenta desafios associados à eliminação de ambiguidades e ao discernimento de sentimentos em diversos domínios e contextos linguísticos. Este cenário é particularmente predominante na análise de produtos, serviços ou tópicos globalmente relevantes. Este projeto apresenta o ConSentiment (Análise de Sentimento Baseada em Consenso) como uma nova abordagem para enfrentar esses desafios. Propomos os princípios de aprendizagem do conjunto ABSA, denominados Grafo de Informação de Consenso e Redução de Incerteza, para encontrar um consenso entre os modelos básicos do ABSA. Em primeiro lugar, o ConSentiment sugere um grafo de consenso conectando revisões, aspectos e rótulos previstos semelhantes, enfatizando a concordância entre os modelos básicos. O grafo lida com a incerteza ao conectar também avaliações com aspectos semelhantes, mas sentimentos diferentes, gerenciando efetivamente a ambiguidade nas tarefas do ABSA. Em segundo lugar, o ConSentiment introduz uma estrutura de regularização ABSA baseada em grafos que prioriza informações consensuais, onde os nós com maior consenso compartilham mais fortemente as informações do rótulo com os vizinhos, reduzindo a incerteza onde os modelos básicos discordam sobre o sentimento. Avaliações experimentais em cenários multidomínios e multilíngues mostram que o ConSentiment supera os modelos individuais de base ABSA, incluindo os mais recentes baseados em BERT e GPT, bem como modelos de votação baseados em comitês.

Building ensembles of Aspect-Based Sentiment Analysis (ABSA) models can be challenging. Each model might extract distinct aspects, where some could be partly correct, and predict different sentiments associated with each aspect. The output complexity is one of the core problems in building a consensus in this learning setup. Furthermore, ABSA confronts challenges associated with disambiguating aspects and discerning sentiments within diverse domains and linguistic contexts. This scenario is particularly prevalent in analyzing globally relevant products, services, or topics. This project introduces ConSentiment (Consensus-Based Sentiment Analysis) as a new approach to address these challenges. We propose ABSA ensemble learning principles, called Consensus Information Graph and Uncertainty Reduction, to find a consensus among ABSA base models. Firstly, ConSentiment suggests a consensus graph by connecting similar reviews, aspects, and predicted labels, emphasizing agreement among base models. The graph deals with uncertainty by also connecting reviews with similar aspects but different sentiments, effectively managing the ambiguity in ABSA tasks. Secondly, ConSentiment introduces a graphbased ABSA regularization framework that prioritizes consensual information, where nodes with higher consensus more strongly share label information with neighbors, reducing uncertainty where base models disagree on sentiment. Experimental evaluations across multidomain and multilingual scenarios show that ConSentiment outperforms individual ABSA base models, including more recent ones based on BERT and GPT, as well as committee-based voting models.