DS$^2$-ABSA：用于少样本方面情感分析的双流数据合成与标签精炼
计算与语言
2024-12-20 v1
摘要
最近发展的大型语言模型 (LLM) 为解决低资源场景的数据稀缺问题提供了前景。在少样本方面情感分析 (ABSA) 中，先前的研究探索了数据增强技术，这些技术通过修改现有样本来生成新样本。然而，这些方法难以产生足够多样化的数据，限制了其效果。此外，一些研究通过特定指令和精选示例作为提示符，应用情境学习进行 ABSA。尽管有前景，LLM 常常生成偏离任务要求的标签。为克服这些限制，我们提出 DS-ABSA，一个针对少样本 ABSA 的 dual-stream data synthesis 框架。它利用 LLM 从两个互补角度合成数据：key-point-driven 和 instance-driven，有效生成低资源环境中多样且高质量的 ABSA 样本。此外，集成一个 label refinement 模块以提高合成标签的质量。大量实验表明，DS-ABSA 显著优于先前的少样本 ABSA 解决方案和其他 LLM 导向的数据生成方法。
引用
@article{arxiv.2412.14849,
title = {DS$^2$-ABSA: Dual-Stream Data Synthesis with Label Refinement for Few-Shot Aspect-Based Sentiment Analysis},
author = {Hongling Xu and Yice Zhang and Qianlong Wang and Ruifeng Xu},
journal= {arXiv preprint arXiv:2412.14849},
year = {2024}
}