57、基于提示学习的方面级情感分类方法

基于提示学习的方面级情感分类方法

在自然语言处理领域，方面级情感分类（ASC）是一个重要的任务，它旨在识别给定句子中针对特定方面的情感极性。传统的基于微调的方法在低资源场景下存在效率低下的问题，而提示学习为解决这一问题提供了新的思路。本文将介绍一种名为 AS - Prompt 的方面特定提示学习模型，它能够在少样本情况下有效地完成方面级情感分类任务。

1. 背景与动机

方面级情感分类是方面情感分析（ABSA）任务的重要组成部分，它可以为决策提供更细粒度的指导。例如，餐馆可以根据顾客对不同方面（如食物、服务等）的评价来改进管理。近年来，预训练语言模型（PLMs）被广泛应用于 ASC 任务，但传统的微调方法依赖大规模标注语料，在低资源场景下难以获取满意的结果，并且在跨领域迁移时性能会显著下降。

提示学习作为一种新的范式，通过文本提示将下游任务重构以适应预训练语言模型。离散提示虽然能带来一定的性能提升，但需要手动设计，耗时且只能在离散词嵌入空间中优化。为了解决这些问题，我们提出了 AS - Prompt 模型。

2. 相关工作

2.1 方面级情感分析

早期的研究如 Hu 和 Liu 开始分析文本中与方面相关的情感。Pontik 贡献了用于方面情感分析的基准数据集。后来的研究使用预训练语言模型取得了显著成果，但高度依赖大规模训练数据集。为了减少对标注数据的依赖，一些研究尝试使用未标注数据进行微调，如 Sun 等人使用领域和任务相关知识微调 BERT，Beigi 等人提出了在未知领域进行情感分析的方法。此外，处理多领域的能力也是研究的关注点，一些研究提出了迁移学习框架和参数转移机制。

2.2 提示学习