利用分解推理增强大语言模型以进行情感原因对提取
计算与语言
2024-02-01 v1
摘要
情感原因对提取(ECPE)旨在提取文档中代表情感及其原因的子句对。现有方法倾向于过拟合伪相关，例如现有基准数据集中的位置偏差，而非捕获语义特征。受近期工作启发，我们探索利用大语言模型(LLM)在无需额外训练的情况下解决 ECPE 任务。尽管 LLM 具有强大的能力，但其输出不可控，导致性能平庸。为解决此问题，我们引入思维链以模仿人类认知过程，并提出分解情感原因链(DECC)框架。结合诱导推理与逻辑剪枝，DECC 引导 LLM 处理 ECPE 任务。我们进一步通过引入上下文学习来增强该框架。实验结果证明了 DECC 相较于最先进的有监督微调方法的优势。最后，我们分析了各组件的有效性以及该方法在多种场景下的鲁棒性，包括不同的 LLM 基座、重平衡数据集以及多对提取。
引用
@article{arxiv.2401.17716,
title = {Enhancing Large Language Model with Decomposed Reasoning for Emotion Cause Pair Extraction},
author = {Jialiang Wu and Yi Shen and Ziheng Zhang and Longjun Cai},
journal= {arXiv preprint arXiv:2401.17716},
year = {2024}
}
备注
13 pages, 5 figures