基于元素级混淆的列表级偏好优化用于 aspect 情感四元组预测

Aspect 情感四元组预测（ASQP）本质上具有挑战性，需要预测包含 aspect 项（a）、aspect 类别（c）、opinion 项（o）和情感极性（s）四个核心情感元素的结构化四元组。依赖标记符的先前方法在建模元素之间的复杂关系方面存在困难，在标准监督微调下，预测高阶元素（如 c 和 s）时性能会显著下降。为此，我们采用基于推理的生成方式，以元素前缀中的自然语言理由输出四元组，鼓励显式的关系推理和可解释性。进一步为提高元素级对齐，我们引入列表级偏好优化框架以提高结构有效性和关系一致性。具体而言，我们通过语法和语义接近性生成元素级易混淆候选项，然后以列表级目标训练模型，以使金标准候选项优于 closely 竞争的备选方案。四个基准数据集上的大量实验表明，我们的框架有效地提高了四元组预测准确度和解释一致性。