语义保持增强：基于置信度加权微调的方面类别情感分析
计算与语言
2025-06-10 v1
摘要
大型语言模型（LLM）是解决低资源场景数据匮乏问题的有效方法。最近的研究设计手工提示词引导 LLM进行数据增强。我们引入一种针对方面类别情感分析（ACSA）任务的数据增强策略，保留原始句子语义且具语言多样性，具体通过为 LLM 提供结构化提示模板生成预定义内容。此外，我们采用后处理技术进一步确保生成句子与原始句子之间的语义一致性。增强后的数据增加了训练分布的语义覆盖范围，使模型更好地理解方面类别与情感极性之间的关系，增强了其推理能力。 Furthermore, 我们提出一种置信度加权微调策略，以鼓励模型生成更自信且准确的情感极性预测。与强大且最新的方法相比，我们的方法在四个基准数据集上 consistently 实现最佳性能。
引用
@article{arxiv.2506.07148,
title = {Semantic-preserved Augmentation with Confidence-weighted Fine-tuning for Aspect Category Sentiment Analysis},
author = {Yaping Chai and Haoran Xie and Joe S. Qin},
journal= {arXiv preprint arXiv:2506.07148},
year = {2025}
}
备注
10 pages, 7 figures, 4 tables