![](\"https:\/\/oaidalleapiprodscus.blob.core.windows.net\/private\/org-PXteLUy4B6mslwRon6h7ri9z\/user-0jfma6aPNvZyLXZUbw4CmvZG\/img-kVxfvGk7zjwu4TYy05ba4kgS.png?st=2024-08-16T10%3A10%3A40Z&se=2024-08-16T12%3A10%3A40Z&sp=r&sv=2024-08-04&sr=b&rscd=inline&rsct=image\/png&skoid=d505667d-d6c1-4a0a-bac7-5c84a87759f8&sktid=a48cca56-e6da-484e-a814-9c849652bcb3&skt=2024-08-15T23%3A40%3A01Z&ske=2024-08-16T23%3A40%3A01Z&sks=b&skv=2024-08-04&sig=zeNtjze1uW0v2Dclw%2B\/ZUzwlTQf1z25x6ekMbjWRFFk%3D\")
<\/p>\n<\/p>\n
L’identification des composants de m\u00e9taphore (MCI) est cruciale pour le traitement du langage naturel (NLP). Elle consiste \u00e0 d\u00e9tecter et comprendre des \u00e9l\u00e9ments comme le t\u00e9nor, le v\u00e9hicule et le terrain, essentiels dans la communication quotidienne et les textes scientifiques. La complexit\u00e9 des m\u00e9taphores pose un d\u00e9fi aux m\u00e9thodes traditionnelles reposant sur des r\u00e8gles manuelles, souvent inad\u00e9quates face aux nuances contextuelles.<\/p>\n
R\u00e9cemment, des mod\u00e8les de deep learning, comme les r\u00e9seaux de neurones, ont am\u00e9lior\u00e9 cette identification, mais rencontrent toujours des difficult\u00e9s contextuelles. Les chercheurs de l’Universit\u00e9 de Zhengzhou ont cr\u00e9\u00e9 le cadre LaiDA, int\u00e9grant l’apprentissage en contexte avec l’augmentation de donn\u00e9es, utilisant des mod\u00e8les de langage comme ChatGPT pour am\u00e9liorer la pr\u00e9cision du MCI.<\/p>\n
Ce cadre se distingue par son r\u00e9seau d’attention graphique (GAT) encoder, qui enrichit les repr\u00e9sentations linguistiques, et sa capacit\u00e9 \u00e0 int\u00e9gr\u00e9rer des exemples similaires pendant l’affinement. LaiDA a atteint une pr\u00e9cision remarquable de 93,21 % lors de la t\u00e2che partag\u00e9e NLPCC2024, confirmant son efficacit\u00e9.<\/p>\n
En fusionnant l’apprentissage linguistique avec des techniques de data augmentation, LaiDA \u00e9l\u00e8ve les standards pour l’identification et l’interpr\u00e9tation des m\u00e9taphores en NLP.<\/p>\n","protected":false},"excerpt":{"rendered":"
L’identification des composants de m\u00e9taphore (MCI) est cruciale pour le traitement du langage naturel (NLP). Elle consiste \u00e0 d\u00e9tecter et comprendre des \u00e9l\u00e9ments comme le t\u00e9nor, le v\u00e9hicule et le terrain, essentiels dans la communication quotidienne et les textes scientifiques. La complexit\u00e9 des m\u00e9taphores pose un d\u00e9fi aux m\u00e9thodes traditionnelles reposant sur des r\u00e8gles manuelles, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-221","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n