基于指令微调 LLM 与数据增强的片段级情感-原因-类别三元组抽取
计算与语言
2025-04-18 v1 人工智能
摘要
片段级情感-原因-类别三元组抽取代表了情感原因分析中的一项新颖且复杂的挑战。该任务涉及识别文本中的情感片段、原因片段及其关联的情感类别，以构成结构化三元组。尽管先前研究主要集中于子句级情感-原因对抽取和片段级情感-原因检测，但这些方法常面临由冗余信息检索和难以准确判定情感类别带来的挑战，尤其是当情感以隐式或模糊方式表达时。为克服这些挑战，本研究探索了一种细粒度的片段级情感-原因-类别三元组抽取方法，并引入了一个创新框架，利用基于大语言模型的指令微调和数据增强技术。所提出的方法采用特定任务的三元组抽取指令，并利用低秩适应微调大语言模型，消除了对复杂任务特定架构的需求。此外，还开发了一种基于提示的数据增强策略，通过引导大语言模型生成高质量合成训练数据来解决数据稀缺问题。广泛的实验评估表明，所提出的方法显著优于现有基线方法，在片段级情感-原因-类别三元组抽取指标上实现了至少 12.8% 的提升。结果证明了该方法的有效性和鲁棒性，为推进情感原因分析研究提供了有前景的途径。源代码可在 https://github.com/zxgnlp/InstruDa-LLM 获取。
引用
@article{arxiv.2504.12331,
title = {Span-level Emotion-Cause-Category Triplet Extraction with Instruction Tuning LLMs and Data Augmentation},
author = {Xiangju Li and Dong Yang and Xiaogang Zhu and Faliang Huang and Peng Zhang and Zhongying Zhao},
journal= {arXiv preprint arXiv:2504.12331},
year = {2025}
}