基于自然语言提示的开放方面目标情感分类
计算与语言
2021-09-09 v1 机器学习
摘要
在许多商业应用中，尽管标注数据极为有限甚至完全缺失，我们仍常需分析与任意商品方面相关的情感。然而，现有的方面目标情感分类（ATSC）模型在没有标注数据集的情况下无法训练。即便有标注数据，其性能也难以令人满意。为解决这一问题，我们提出了利用自然语言提示更好地完成ATSC的简单方法，使该任务在零样本场景下得以实现，并增强了有监督设置下的表现，尤其是在少样本场景中。在SemEval 2014 Task 4笔记本电脑领域的少样本设置下，我们将ATSC重构为自然语言推理（NLI）任务的方法，在准确率上比有监督的最先进方法高出多达24.13个百分点，在宏观F1值上高出33.14个百分点。此外，我们证明我们的提示也能处理隐含陈述的方面：我们的模型在检测方面类别（如“食物”）的情感时达到了约77%的准确率，而这些类别不一定出现在文本中，尽管我们仅用来自16条评论的显式提及的方面词（如“fajitas”）训练了模型——而无提示基线的准确率仅为约65%。
引用
@article{arxiv.2109.03685,
title = {Open Aspect Target Sentiment Classification with Natural Language Prompts},
author = {Ronald Seoh and Ian Birle and Mrinal Tak and Haw-Shiuan Chang and Brian Pinette and Alfred Hough},
journal= {arXiv preprint arXiv:2109.03685},
year = {2021}
}