摘要
隐式情感分析（ISA）由于缺乏显著的提示词而面临重大挑战。以往的方法在数据不足和推理能力有限的情况下难以推断出潜在的意见。将多任务学习（MTL）与大型语言模型（LLMs）相结合，有望使不同规模的模型能够可靠地感知和识别ISA中的真实意见。然而，现有的MTL方法受到两种不确定性来源的限制：数据层面的不确定性，源于LLM生成的上下文信息中的幻觉问题；任务层面的不确定性，源自不同模型处理上下文信息的能力差异。为了解决这些不确定性问题，我们提出了一种新的MTL框架——MT-ISA，该框架通过自动多任务学习充分利用了大型语言模型的生成和推理能力来增强ISA。具体而言，MT-ISA利用生成式LLM构建辅助任务以补充情感元素，并结合自动多任务学习全面利用辅助数据。我们引入了数据层面和任务层面的自动权重学习（AWL），该方法动态识别关系并优先选择更可靠的数据和关键任务，从而使不同规模的模型能够根据其推理能力自适应地学习细粒度权重。我们研究了三种数据层面AWL策略，并引入了同方差不确定性（homoscedastic uncertainty）用于任务层面AWL。广泛的实验表明，在MT-ISA中，不同规模的模型能够在主预测任务和辅助任务之间达到最佳平衡。这突显了我们方法的有效性和适应性。