有时很简单：一项关于提升方面级情感分析性能的研究

方面级情感分析（ABSA）涉及通过多种互补子任务从文本数据中提取关于特定实体及其对应方面的观点。以往的一些研究专注于为这些子任务设计不同复杂度的特定设计。在本文中，我们提出了一个可扩展到任何ABSA子任务的生成框架。我们基于Scaria等人（2023）提出的指令微调模型，该模型在ABSA子任务上提供了基于指令的模型，包含任务描述和上下文示例。我们提出了PFInstruct，这是对该指令学习范式的扩展，通过在任务描述前添加一个与NLP相关的任务前缀。这种简单的方法在所有测试的SemEval子任务上均提升了性能，在ATE子任务（Rest14）上超过了之前的最优结果（SOTA），F1分数提高了+3.28，在AOOE子任务上，跨SemEval数据集平均F1分数提高了+5.43。此外，我们探讨了前缀增强提示质量对ABSA子任务的影响，发现即使是噪声前缀也能提升模型性能，优于基线。我们的方法在生物医学领域数据集（ERSA）上也取得了有竞争力的结果。