
-
生物通官微
陪你抓住生命科技
跳动的脉搏
QCSA:基于大语言模型的渐进式四元组构建与提示增强引文情感分析框架
《Scientific Reports》:QCSA: LLM-driven progressive quadruple construction and prompt-augmented learning for robust citation sentiment analysis
【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要引文情感分析(CSA)面临若干挑战,包括隐性情感表达、类别不平衡以及细粒度结构化证据的可用性不稳定。现有方法使用结构化四元组使引文上下文中的评价信息更加明确。然而,大语言模型生成的输出可能仍受限于结构无效、文本对齐有限以及语义质量不一,尤其是对于具有弱评价信号的中性引文。
引文情感分析(CSA)面临若干挑战,包括隐性情感表达、类别不平衡以及细粒度结构化证据的可用性不稳定。现有方法使用结构化四元组使引文上下文中的评价信息更加明确。然而,大语言模型生成的输出可能仍受限于结构无效、文本对齐有限以及语义质量不一,尤其是对于具有弱评价信号的中性引文。为了解决这些问题,我们提出了 QCSA,一个由大语言模型驱动的框架,用于渐进式四元组构建和提示增强学习。对于具有弱结构化证据的中性引文,QCSA 采用了一种条件三阶段构建策略。它优先处理有效的语义证据,同时提高结构化提示输入的完整性。在分类方面,QCSA 使用一种共享语义锚点引导的门控残差融合机制,联合建模原始引文上下文和四元组提示。进一步使用加权多主干集成作为可选增强,以探索预训练语言模型之间的互补信息。实验结果表明,QCSA 在 Athar 数据集上达到了 87.81% 的 Macro-F1 值,而 QCSA-Single (RoBERTa) 在 CSCE 上达到了 96.49%。这些结果表明在两个基准数据集上具有竞争力的性能。消融和多种子实验进一步显示,渐进式四元组构建提供了相对稳定的贡献,而门控残差融合提供了有限的补充增益。