探索零样ACS A通过链链思提示下的统一意义表示

方面-类别情感分析（ACSA）通过识别评论中特定主题及其关联情感，提供细粒度洞察。虽然监督学习方法主导此领域，但针对新领域的标注数据稀缺且成本高昂，构成重大障碍。我们认为，在资源受限的情况下，以零样学习方式利用大型语言模型（LLM）是一种实用的替代方案。在本工作中，我们提出一种新型链链思（Chain-of-Thought, CoT）提示技术，利用中间统一意义表示（Unified Meaning Representation, UMR）来结构化ACS A任务的推理过程。我们在三个模型（Qwen3-4B、Qwen3-8B和Gemini-2.5-Pro）和四个多样化数据集上评估了该UMR方法，与标准CoT基线进行比较。我们的发现表明，UMR的有效性可能因模型而异。尽管初步结果表明，对于中等规模的模型如Qwen3-8B，性能相当，但这些观察需要进一步检验，尤其是关于其对更小模型架构的适用性。进一步的研究是建立这些发现在不同模型规模范围内的普遍性所必需的。