Dans cet article, nous proposons un nouveau cadre d'exploration adaptative dynamique de l'espace des rangs (DARSE) pour une analyse efficace des sentiments à l'aide de modèles linguistiques à grande échelle (LLM). DARSE se compose d'un algorithme glouton à gros grain pour identifier la plage de rangs optimale, d'un algorithme de recherche à grain fin pour améliorer la sélection des rangs et d'une méthode d'attribution dynamique des rangs pour déterminer la combinaison optimale de rangs pour chaque couche LLM. Les résultats expérimentaux montrent que DARSE améliore de 15,1 % l'erreur quadratique moyenne et de 4,3 % la précision de l'analyse des sentiments par rapport aux études précédentes, établissant ainsi un équilibre entre efficacité de calcul et performance du modèle.
