一种面向少样本方面类别情感分析的外部知识引导生成模型

《ACM Transactions on Asian and Low-Resource Language Information Processing》:An External Knowledge-Guided Generative Model for Few-Shot Aspect Category Sentiment Analysis

【字体: 大 中 小 】 时间:2026年09月26日 来源:ACM Transactions on Asian and Low-Resource Language Information Processing 2.7

编辑推荐:

   摘要AI摘要摘要摘要少样本方面类别情感分析(ACSA)旨在在标注数据有限的情况下,预测给定方面类别的情感极性。ACSA的一个关键挑战在于,方面类别往往未在文本中明确提及,需要模型从上下文中推断相关情感。传统的分类方法严重依赖大规模标注数据集和预训练知识,因此在少样本场景下效果

  

摘要

摘要

少样本方面类别情感分析(ACSA)旨在在标注数据有限的情况下,预测给定方面类别的情感极性。ACSA的一个关键挑战在于,方面类别往往未在文本中明确提及,需要模型从上下文中推断相关情感。传统的分类方法严重依赖大规模标注数据集和预训练知识,因此在少样本场景下效果较差。为解决上述问题,我们提出了一种融合外部知识的生成式ACSA模型。我们从外部知识库中检索细粒度的方面相关词汇,并利用这些词汇构建对比句对,生成增强的方面相关表示,从而弥合原始文本与预定义方面类别之间的差距。此外,我们将分类任务转化为序列生成过程来预测情感极性,使预训练任务与下游目标对齐,最大限度地利用预训练知识。在三个公开数据集上的实验结果表明,所提方法显著优于少样本ACSA的传统分类模型和现有生成模型,验证了其有效性。

AI摘要

AI生成摘要(实验性)

本摘要由自动化工具生成,未由文章作者撰写或审阅。其目的是辅助检索,帮助读者评估相关性,并帮助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要,后者仍是论文的主要摘要。全文仍为权威版本。点击此处了解更多。

点击此处,对本摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的生成版本。

AI生成摘要

基于已发表的文章文本,由自动化系统生成。

版本创建于2026年9月24日。

本研究针对少样本学习场景下的方面类别情感分析问题,该场景下可用的标注数据有限。核心问题在于,方面类别往往未在文本中明确提及,需要模型从上下文中推断相关情感。依赖大规模标注数据集的传统分类方法在此类受限场景下效果不佳。

所提方案引入了一种生成式模型,利用序列到序列框架将分类任务转化为序列生成问题。与标准分类方法相比,该方案更好地与预训练语言模型目标对齐,并最大限度地利用预训练知识。该模型融合了SenticNet、WordNet和ConceptNet等外部知识库,以弥合预定义方面类别与实际文本内容之间的差距。

该方法包含几个关键组件。首先,通过多跳遍历从外部知识库中检索方面相关词汇,在抽象的类别词和句子中出现的具体的目标词之间建立联系。其次,模型构建辅助句对,为每个输入句子创建两个版本:一个保留方面相关词汇,另一个将其掩码。受对比学习原理启发的这两个版本之间的差异增强了方面感知的文本表示。第三,提示模板引导解码器生成情感极性预测,得分最高的模板被选为最终输出。

实验验证在三个数据集上进行:Restaurant-2014、Restaurant-2016和Laptop-2016,使用N-way-K-shot训练配置。结果表明,在少样本设置下,该方法在各方面一致优于现有的基于分类和生成的模型。值得注意的是,参数量为1.5亿的轻量级模型在大多数配置下显著优于更大规模的预训练语言模型,包括GPT-3.5 Turbo和LLAMA模型。消融实验证实,外部知识融合和对比增强都对性能提升做出了重要贡献。

对不同组件的分析表明,检索相关词汇时增加跳数可提升性能,但超过五跳阈值后,无关词汇会引入噪声。不同的知识库表现出不同的有效性,SenticNet由于其情感常识知识始终取得最优结果。模板设计也显著影响结果,更简单、更明确的模板优于复杂的替代方案。

该模型能够成功处理方面词隐性出现或情感表达需要上下文推断的情况。通过结合外部知识检索、对比学习原理和与预训练目标对齐的生成式建模,该方法有效解决了少样本方面类别情感分析场景中传统方法的局限性。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号