ChatASU：激发大语言模型的反思以真正理解对话中的方面情感
计算与语言
2024-04-11 v4 人工智能
摘要
交互场景（如问答和对话）中的方面情感理解 (ASU) 近年来引起了越来越多的关注并取得了重要进展。然而，现有的交互式 ASU 研究在很大程度上忽略了意见目标（即方面）的共指问题，而这种现象在交互场景尤其是对话中普遍存在，限制了 ASU 的性能。最近，大语言模型 (LLMs) 展示了通过聊天范式整合各种自然语言处理任务的强大能力。以此方式，本文提出了一种新的基于聊天的方面情感理解 (ChatASU) 任务，旨在探索 LLMs 在对话场景中理解方面情感的能力。特别是，该 ChatASU 任务引入了一个子任务，即方面链推理 (ACR) 任务，以解决方面共指问题。在此基础上，我们提出了一种以 ChatGLM 为骨干的可信自反思方法 (TSA) 用于 ChatASU。具体而言，TSA 将 ACR 任务作为辅助任务以提升主要 ASU 任务的性能，并进一步将可信学习整合到反思机制中，以缓解 TSA 中 LLMs 固有的事实幻觉问题。此外，我们标注了一个高质量的 ChatASU 数据集以评估 TSA，大量实验表明，我们提出的 TSA 能显著优于多个最先进基线，证明了 TSA 对 ChatASU 的有效性以及在 ChatASU 中考虑共指和幻觉问题的重要性。
引用
@article{arxiv.2403.05326,
title = {ChatASU: Evoking LLM's Reflexion to Truly Understand Aspect Sentiment in Dialogues},
author = {Yiding Liu and Jingjing Wang and Jiamin Luo and Tao Zeng and Guodong Zhou},
journal= {arXiv preprint arXiv:2403.05326},
year = {2024}
}