以思维链为线索推理隐含情感

最新推荐文章于 2025-11-29 16:24:14 发布

原创

最新推荐文章于 2025-11-29 16:24:14 发布 · 1k 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能

✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨

🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢，在这里我会分享我的知识和经验。🎥

希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏：传知代码论文复现

欢迎访问我的主页：Srlua小谢获取更多信息和资源。✨✨🌙🌙

本文所有资源均可在该地址处获取。

简介

本文主要对2023ACL论文《Reasoning Implicit Sentiment with Chain-of-Thought Prompting》主要内容进行介绍。

摘要

虽然情绪分析任务中通常根据输入文本中的关键意见表达来确定给定目标的情绪极性，但在隐式情绪分析（ISA）中，意见线索通常是隐含或者模糊的。因此，检测隐含情绪需要常识和多跳推理能力来推断意见的潜在意图。在思想链（CoT）思想的启发，本文引入了一个三跳推理（THOR）CoT框架来模拟ISA的模拟人类推理的过程。THOR设计了一个三步提示原则，逐步诱导隐含的方面、观点，最后是情绪的极性。THOR+Flan-T5（11B）在监督微调下将数据集最优性能（SoTA）提高了6%以上。更引人注目的是，THOR+GPT3（175B）在零样本设置下将SoTA提高了50%以上。

引言

情感分析（SA）旨在基于输入文本检测对给定目标的情绪极性。SA可分为显性SA（ESA）和隐性SA（ISA），前者是当前的主流任务，他的情感表达会明确出现在文本中。因此ISA更具挑战性，因为在ISA中，输入仅包含事实描述，没有直接给出明确的意见表达。例如，给定一个文本“Try the tandoori salmon!”，由于没有显著的提示词，几乎所有现有的情绪分类都预测“tandoori salmon”为中性极性。人类很容易准确地确定情绪状态，因为我们总是掌握在文本后面隐含的真实意图或观点。因此，在没有真正理解情绪是如何被激发的情况下，传统的SA方法对ISA是无效的。

THOR

近期大模型的崛起，让我们看到了机器对文本的理解有了新的高度。受到大模型中CoT的启发，文章提出了THOR( Three-hop Reasoning CoT framework)，一个三段式的提问框架，能够通过循循善诱地方法，很好的让机器对隐形情感进行挖掘并预测，提升了ISA任务的性能。

如上图所示：
Traditional Prompting，表明传统的提示学习方法就是直接问模型，这句话中这个词的情感极性是什么。

Three-hop Reasoning with CoT Prompting，则是本文提出基于大模型思维链（CoT）的方法，提出的三段式提问框架。首先询问句子在讲述方面词的什么方面；其次，将回答整合后，将整合后的答案继续问方面词背后有什么隐含观点；最后，再次整合前面的回答，最后问方面词的情感极性是什么。

通过THOR我们可以看到，使用CoT的方法循循善诱模型得到的答案为positive是正确的，而传统的提问时neutral是不正确的。

THOR框架具体设置如下：
假设我们要预测的句子为：“The new mobile phone can be just put in my pocket.”
其中要预测的方面词为“The new mobile ph