PL-FGSA：基于 MindSpore 的细粒度情感分析提示学习框架
计算与语言
2025-05-21 v1 机器学习
摘要
细粒度情感分析（FGSA）旨在识别文本中针对特定方面的情感极性，使之在诸如产品评论和社交媒体等领域的意见挖掘能够更精确。然而，传统的 FGSA 方法通常需要任务特定的体系结构和大量标注数据，限制了其泛化性和可扩展性。为此，本文提出了 PL-FGSA—a一种基于提示学习的统一框架，采用 MindSpore 平台实现，将提示设计与轻量级 TextCNN 主干网络集成。我们的方法将 FGSA 重新表述为多任务提示增强生成问题，统一处理方面抽取、情感分类和因果解释。在利用基于提示的引导下，PL-FGSA 增强了可解释性，在满数据和低资源条件下均取得优异的性能。在三个基准数据集（SST-2、SemEval-2014 Task 4 和 MAMS）上的实验表明，该模型持续优于传统微调方法，分别获得 0.922、0.694 和 0.597 的 F1 分数。这些结果验证了基于提示的泛化效果，并凸显了 PL-FGSA 对实际情感分析任务的实际价值。
引用
@article{arxiv.2505.14165,
title = {PL-FGSA: A Prompt Learning Framework for Fine-Grained Sentiment Analysis Based on MindSpore},
author = {Zhenkai Qin and Jiajing He and Qiao Fang},
journal= {arXiv preprint arXiv:2505.14165},
year = {2025}
}