用于基于方面的情感分析的大语言模型
计算与语言
2023-10-30 v1 人工智能
摘要
大语言模型(large language models, LLMs)提供了前所未有的文本补全能力。作为通用模型，它们可胜任广泛角色，包括那些更专门模型的角色。我们评估了GPT-4与GPT-3.5在零样本、少样本与微调设置下于基于方面的情感分析(aspect-based sentiment analysis, ABSA)任务上的表现。微调的GPT-3.5在SemEval-2014 Task 4的方面词抽取与极性分类联合任务上取得了83.8的SOTA F1分数，较InstructABSA[@scaria_instructabsa_2023]提升5.7%。然而，这是以多1000倍的模型参数量及由此增加的推理成本为代价的。我们讨论了不同模型的性价比权衡，并分析了它们所犯的典型错误。我们的结果还表明，详细提示在零样本与少样本设置下可提升表现，但对微调模型并非必要。该证据与面临使用LLM进行ABSA时提示工程 versus 微调选择实践的从业者相关。
引用
@article{arxiv.2310.18025,
title = {Large language models for aspect-based sentiment analysis},
author = {Paul F. Simmering and Paavo Huoviala},
journal= {arXiv preprint arXiv:2310.18025},
year = {2023}
}