面向实体与方面目标情感分析的深度内容理解：基于基础模型

我们提出了实体-方面情感三元组抽取任务（Entity-Aspect Sentiment Triplet Extraction, EASTE），这是一种新的基于方面情感分析（Aspect-Based Sentiment Analysis, ABSA）任务，通过将方面类别（如food#quality）划分为预定义的实体（如餐食、饮品）和方面（如味道、新鲜度）进行区分，增加了细粒度的复杂度，却有助于揭示链式方面对其实体的真实情感。我们探讨了EASTE任务在基于transformer架构的语言模型中的解决能力，通过我们提出的统一损失方法，采用BERT架构进行标记分类任务，以及采用Flan-T5、Flan-Ul2、Llama2、Llama3和Mixtral等文本生成模型，并运用零/少量学习、参数高效微调（Parameter Efficient Fine Tuning, PEFT）如低秩适应（Low-Rank Adaptation, LoRA）等不同的对齐技术。模型性能在SamEval-2016基准数据集上进行评估，公平比较现有工作。我们的研究不仅旨在在EASTE任务上实现高性能，还探讨了模型规模、类型和适应技术对任务性能的影响。最终，我们提供了详细的见解并实现了在复杂情感分析中的最先进结果。