基于伪标签评分器的自训练方法用于方面情感四元组预测

方面情感四元组预测 (ASQP) 旨在预测给定评论中所有四元组 (aspect term, aspect category, opinion term, sentiment polarity)，这是 aspect-based sentiment analysis 中最具代表性且最具挑战性的 task。ASQP task 的关键挑战在于 labeled data 的稀缺，这限制了 existing methods 的 performance。为解决此问题，我们提出一种 self-training framework with pseudo-label scorer，其中 scorer 评估 reviews 与其 pseudo-labels 之间的 match，以筛选不匹配情况，从而提升 self-training 的 effectiveness。我们强调确保 scorer effectiveness 和 reliability 的两个关键方面：training dataset 的 quality 以及 model architecture。为此，我们创建了一个 human-annotated comparison dataset 并使用 ranking-based objectives 在其上训练 generative model。广泛的实验表明，使用我们的 scorer 可以大幅且持续地提高 self-training 的 effectiveness。此外，我们探索了用 large language models 替代 human 进行 comparison dataset annotation 的可能性，实验表明这一方法可行。我们在 https://github.com/HITSZ-HLT/ST-w-Scorer-ABSA 上发布了 code 和 data。