摘要
预训练与微调范式已成为基于方面的情感分析（Aspect-Based Sentiment Analysis, ABSA）领域的主流框架。尽管该范式在具备充足细粒度方面-情感标注数据的领域中取得了良好的性能，但在人工标注稀缺的低资源领域中实现少样本（few-shot）ABSA仍面临挑战。本文认为，两种关键差距——领域差距（domain gap）与任务目标差距（objective gap）——阻碍了预训练语言模型（Pre-trained Language Models, PLMs）向ABSA任务的知识迁移。为解决这一问题，我们提出了一种简单而有效的框架FS-ABSA，该框架包含领域自适应预训练与文本填空式微调两个阶段。我们将端到端ABSA任务建模为一个文本填空问题，并采用填空目标进行领域自适应预训练，有效缩小上述两类差距，从而促进知识的高效迁移。实验结果表明，在少样本设置下，所提模型性能显著优于现有基线方法；在全监督设置下，其在多个数据集上均达到了新的最先进水平。此外，我们将该框架拓展至两种非英语低资源语言，进一步验证了其泛化能力与有效性。