基于 LLM 的多任务学习用于隐式情感分析：数据级与任务级自动权重学习

隐式情感分析（ISA）因缺乏显著提示词而面临重大挑战。以往方法在数据不足和推理能力有限以推断潜在意见方面受限。将多任务学习（MTL）与大型语言模型（LLM）集成有望使不同大小的模型可靠地感知和识别 ISA 中的真实意见。然而，现有的 MTL 方法受到来自两个来源的不确定性限制：数据级不确定性，源于 LLM 生成的上下文信息中的幻觉问题；以及任务级不确定性，源于模型处理上下文信息能力的差异。为处理这些不确定性，我们引入了 MT-ISA，一种新的 MTL 框架，通过自动化 MTL 提升 ISA。具体而言，MT-ISA 使用生成式 LLM 构建辅助任务以补充情感元素，并纳入自动 MTL 以充分利用辅助数据。我们引入数据级和任务级自动权重学习（AWL），动态识别关系并优先排序更可靠的数据和关键任务，使不同大小的模型能够根据其推理能力自适应地学习细粒度权重。我们针对数据级 AWL 探讨了三种策略，同时引入同质不确定性用于任务级 AWL。广泛的实验结果表明，不同大小的模型在 MT-ISA 中实现了主预测与辅助任务之间的最佳平衡。这凸显了该方法的有效性和适应性。