MiniConGTS: مخطط تسمية الشبكة التبايني الأدنى القريب من الكمال لاستخراج الثلاثيات العاطفية الجوانبية

استخراج الثلاثيات العاطفية الجوانبية (ASTE) يهدف إلى استخراج الثلاثيات العاطفية بشكل مشترك في مجموعات البيانات المعطاة. تميل النهج الحالية ضمن نموذج التدريب المسبق والتنعيم الدقيق إلى إما صياغة خطط تصنيف معقدة بدقة أو دمج تعزيز معاني خارجي لتحسين الأداء. في هذه الدراسة، نعيد تقييم الفائض في خطط التصنيف والتعزيز الداخلي في التمثيلات المدربة مسبقًا لأول مرة. نقترح طريقة لتحسين واستخدام التمثيلات المدربة مسبقًا من خلال دمج خطة تصنيف بسيطة ومبتكرة و استراتيجية تعلم تباينية على مستوى الرمز (token-level contrastive learning). يظهر النهج المقترح أداءً مكافئًا أو أفضل مقارنة بالتقنيات الأكثر تقدمًا، مع تصميم أكثر كompactness وتكلفة حسابية أقل. بالإضافة إلى ذلك، نحن أول من قام بتقييم أداء GPT-4 رسميًا في سياقات التعلم القليل样本 (few-shot learning) وسلاسل الفكر (Chain-of-Thought) لهذه المهمة. تبين النتائج أن نموذج التدريب المسبق والتنعيم الدقيق لا يزال فعالًا للغاية حتى في عصر النماذج اللغوية الكبيرة.请注意，为了保持专业性和准确性，我在翻译中保留了一些术语的英文标注，例如“token-level contrastive learning”（基于标记的对比学习）、“few-shot learning”（少样本学习）和“Chain-of-Thought”（思维链）。这些术语在阿拉伯语学术文献中可能还没有广泛接受的翻译。