FaiMA：用于多领域基于方面情感分析的特征感知上下文学习
计算与语言
2024-03-05 v1
摘要
多领域基于方面的情感分析 (ABSA) 旨在捕捉跨不同领域的细粒度情感。虽然现有研究由于方法局限和数据稀缺而狭隘地聚焦于单领域应用，但现实情况是情感自然地跨越多个领域。尽管大语言模型 (LLM) 为 ABSA 提供了一种有前景的解决方案，但很难将其与包括基于图的模型和语言学在内的现有技术有效整合，因为修改其内部架构并不容易。为了缓解这一问题，我们提出了一种新颖的框架，即用于多领域 ABSA 的特征感知上下文学习 (FaiMA)。FaiMA 的核心见解是利用上下文学习 (ICL) 作为一种特征感知机制，以促进多领域 ABSA 任务中的自适应学习。具体而言，我们采用多头图注意力网络作为文本编码器，并通过启发式规则针对语言学、领域和情感特征进行优化。通过对比学习，我们通过关注这些多样的特征来优化句子表示。此外，我们构建了一种高效的索引机制，使 FaiMA 能够针对任何给定输入在多个维度上稳定检索高度相关的示例。为了评估 FaiMA 的有效性，我们构建了第一个多领域 ABSA 基准数据集。大量实验结果表明，与基线相比，FaiMA 在多个领域取得了显著的性能提升，平均提高了 2.07% 的 F1 分数。源代码和数据集可在 https://github.com/SupritYoung/FaiMA 匿名获取。
引用
@article{arxiv.2403.01063,
title = {FaiMA: Feature-aware In-context Learning for Multi-domain Aspect-based Sentiment Analysis},
author = {Songhua Yang and Xinke Jiang and Hanjie Zhao and Wenxuan Zeng and Hongde Liu and Yuxiang Jia},
journal= {arXiv preprint arXiv:2403.01063},
year = {2024}
}