LLM-as-an-Annotator：用于方面情感三元组预测的 LLM 注释生成的轻量模型训练
计算与语言
2026-03-03 v1
摘要
为方面基情感分析(ABSA)任务训练模型需要手动注释数据，这些数据昂贵且耗时。本文引入 LA-ABSA，一种新方法，利用大语言模型(LLM)生成的注释来微调轻量级模型，以处理复杂的 ABSA 任务。我们在用于目标方面情感检测(TASD)和方面情感四元组预测(ASQP)的五个数据集上评估了该方法。我们的方法在已报告的增强策略中取得了优于并在资源有限的场景下实现与 LLM 提示相媲美的性能，同时提供了显著的能源效率优势。例如，使用 50 个已标记示例进行 in-context learning(ICL) 指导 unlabeled 数据的注释，LA-ABSA 在 SemEval Rest16 数据集上的 ASQP 任务上达到 49.85 的 F1 分数，紧随 Gemma-3-27B(51.10) 的 ICL 提示性能，同时所需的计算资源显著降低。
引用
@article{arxiv.2603.01778,
title = {LLM-as-an-Annotator: Training Lightweight Models with LLM-Annotated Examples for Aspect Sentiment Tuple Prediction},
author = {Nils Constantin Hellwig and Jakob Fehle and Udo Kruschwitz and Christian Wolff},
journal= {arXiv preprint arXiv:2603.01778},
year = {2026}
}
备注
Accepted for publication at LREC 2026. Final version will appear in the ACL Anthology