-
题名基于多提示学习的方面类别情感分析方法
- 1
-
-
作者
刘锦行
李琳
吴任伟
刘佳
-
机构
湖北工业大学计算机学院
武汉理工大学计算机与人工智能学院
中国科学院武汉文献情报中心
科技大数据湖北省重点实验室
-
出处
《计算机科学与探索》
北大核心
2025年第5期1334-1341,共8页
-
基金
国家自然科学基金(62106070)
科技大数据湖北省重点实验室开放课题(E3KF291001)。
-
文摘
基于方面类别的情感分析(ACSA)旨在辨别评论文本中的方面类别,并同时预测它们的情感极性,是情感分析领域重要的细粒度子任务。近年来,基于预训练语言模型的微调(Fine-tuning)方法已经为方面类别情感分析提供了有效的解决思路。然而,由于预训练任务和下游情感分类任务目标不一致,影响了情感分析质量提升的空间。目前基于提示模板的提示学习(Prompt learning)能够对其进行相应缓解,但人工设计单一的Prompt文本为ACSA任务提供的上下文有限,缺少丰富性。针对此问题,提出了一种基于提示学习的方面类别情感分析方法(MultiPrompt_ACSA)。在提示学习的基础上进行了提示模板工程和答案工程的多样化设计,结合ACSA的研究特点,提出了适配方面类别情感分析的提示学习方法。引入自回归预训练语言模型进行训练。基于Prompt的多样化设计集成多个不同提示模板下的情感分类结果。与其他模型(非预训练、预训练和提示学习三个类别)在SemEval 2015和SemEval 2016数据集上的结果相比,提出的方法在F1指标上有良好的效果提升。
-
关键词
方面类别情感分析
提示学习
Prompt多样化设计
-
Keywords
aspect-category sentiment analysis
prompt learning
diversified Prompt design
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于PPLM模板增强的零样本方面类别情感分析模型
- 2
-
-
作者
凤丽洲
李梦莎
王友卫
杨贵军
-
机构
天津财经大学统计学院
中央财经大学信息学院
-
出处
《计算机科学与探索》
北大核心
2025年第5期1322-1333,共12页
-
基金
国家社科一般项目(20BTJ058)
天津市研究生科研创新项目(2022SKY349)。
-
文摘
如今方面类别情感分析(ACSA)因标注数据稀缺而受限,如何在无特定情感标注数据下实现有效分析成为研究挑战。将零样本方面类别情感分析任务转换为自然语言推理(NLI)任务,针对传统提示模板面临语义表达不充分的问题,提出了一种基于PPLM文本限制生成模型的原因补充提示模板,结合情感极性和其原因,使得模板可以帮助模型更好地理解情感背后的原因和动机,从而提高情感分析的准确性和可解释性。为了进一步提升ACSA的分类性能,引入了性能逆序系数来确定文中多种提示模板的集成权重。在公共数据集MAMS和Restaurant的实验结果表明该模型相较于其他零样本ACSA模型,在准确率ACC上提升约7个百分点;PPLM原因补充提示模板可以提升NLI模型的零样本分类性能,其相较于其他较好传统模板在MF1上提升2.6个百分点;同时改进的权重确定策略也对模型在零样本情境下的情感分析能力有一定提升作用。
-
关键词
方面类别情感分析
零样本学习
提示模板
PPLM文本限制生成
-
Keywords
aspect category sentiment analysis
zero-shot learning
prompt template
PPLM text-conditioned generation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名标签先验知识增强的方面类别情感分析方法研究
- 3
-
-
作者
吴任伟
李琳
何铮
袁景凌
-
机构
武汉理工大学计算机与人工智能学院
德勤咨询(上海)有限公司
-
出处
《中文信息学报》
CSCD
北大核心
2024年第12期127-136,147,共11页
-
基金
国家自然科学基金(62276196)。
-
文摘
当前,基于方面类别的情感分析研究集中于将方面类别检测和面向类别的情感分类两个任务协同进行。然而,现有研究未能有效关注情感数据集中存在的噪声标签,影响了情感分析的准确率。基于此,该文提出一种标签先验知识增强的方面类别情感分析方法(AP-LPK)。首先该文为面向类别的情感分类构建了自回归提示训练方式,可以有效利用预训练语言模型的学习能力。同时该方式通过自回归生成标签词,以期获得比非自回归更好的语义一致性。其次,每个类别的标签分布作为标签先验知识引入,并通过伯努利分布对其做进一步精炼,以减轻噪声标签的干扰。然后,AP-LPK将上述两个步骤分别得到的情感类别分布进行融合,以获得最终的情感类别预测概率。最后,该文提出的AP-LPK方法在五个数据集上进行评估,包括SemEval 2015和SemEval 2016的四个基准数据集和AI Challenger 2018的餐饮领域大规模数据集。实验结果表明,该文提出的方法在F1指标上优于现有方法。
-
关键词
基于方面类别的情感分析
提示学习
标签先验知识
-
Keywords
aspect-category based sentiment analysis
prompt learning
label prior knowledge
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
