基于 LLM 代理的基于方面的数据一致标签生成
计算与语言
2026-02-19 v1
摘要
我们提出了一种用于方面基情分析（ABSA）的代理数据增强方法，通过迭代生成和验证产生高质量的合成训练示例。为隔离代理结构的影响，我们还开发了一个使用相同模型和指令的紧密匹配的基于提示的基线方法。对三种 ABSA 子任务（方面词提取（ATE）、方面情感分类（ATSC）和方面情感对提取（ASPE））、四个 SemEval 数据集以及两种编码器-解码器模型（T5-Base 和 Tk-Instruct）进行评估。我们的结果表明，代理式数据增强在标签保留方面优于原始提示方法，尤其是在需要方面词生成的任务中。此外，当与真实数据结合使用时，代理式数据增强提供的提升更为显著，始终优于基于提示的生成方法。这些优势在 T5-Base 上最为明显，而更广泛预训练的 Tk-Instruct 则表现出较小的改进。因此，增强后的数据有助于 T5-Base 实现与其对应模型的相当性能。
引用
@article{arxiv.2602.16379,
title = {Label-Consistent Data Generation for Aspect-Based Sentiment Analysis Using LLM Agents},
author = {Mohammad H. A. Monfared and Lucie Flek and Akbar Karimi},
journal= {arXiv preprint arXiv:2602.16379},
year = {2026}
}
备注
Accepted to WASSA Workshop at EACL 2026