基于检索示例排序的指令微调用于方面级情感分析

方面级情感分析（ABSA）识别与特定方面相关的情感信息，并为企业和组织提供更深入的市场洞察。随着大型语言模型（LM）的出现，最近的研究提出使用固定示例进行指令微调，将ABSA重构为生成任务。然而，性能对上下文示例的选择很敏感；一些检索方法基于表面相似性，且独立于LM的生成目标。本研究提出了一种基于检索示例排序的指令学习方法，用于ABSA任务。对于每个目标样本，应用LM作为评分器，估计给定输入和候选示例作为提示时的输出似然，并通过分数排序将训练示例标记为正或负。提出了一种交替训练方案来同时训练检索器和LM。可以使用高质量示例构建指令提示。LM同时用于评分和推理，提高了生成效率，且不增加额外计算成本或训练难度。在三个ABSA子任务上的大量实验验证了所提方法的有效性，展示了其相对于各种强基线模型的优越性。代码和数据发布在https://github.com/zgMin/IT-RER-ABSA。