Verbesserung der Aspekt-Sentiment-Quad-Vorhersage durch Template-Order-Daten-Augmentierung

Kürzlich ist die Vorhersage von Aspekt-Sentiment-Quadrupeln (ASQP) zu einer populären Aufgabe im Bereich der aspektbasierten Sentiment-Analyse geworden. Frühere Ansätze nutzen eine vorgegebene Vorlage, um den ursprünglichen Satz in eine strukturierte Zielsequenz umzuformulieren, die leicht als Quadrupel der Form (Aspektkategorie, Aspektbegriff, Meinungsbegriff, Sentimentpolarität) decodiert werden kann. Die Vorlage beinhaltet die vier Elemente in einer festen Reihenfolge. Wir beobachten jedoch, dass diese Vorgehensweise mit der ordnungsunabhängigen Eigenschaft der ASQP-Aufgabe kollidiert, da die Reihenfolge der Vorlage nicht festgelegt werden muss, solange das Quadrupel korrekt extrahiert wird. Inspiriert durch diese Beobachtung untersuchen wir die Auswirkungen unterschiedlicher Vorlagenreihenfolgen und stellen fest, dass bestimmte Reihenfolgen das Leistungsvermögen des generativen Modells verbessern. Es wird vermutet, dass verschiedene Reihenfolgen unterschiedliche Perspektiven auf das Quadrupel bieten. Daher schlagen wir eine einfache, aber effektive Methode vor, um die geeignetsten Reihenfolgen zu identifizieren, und kombinieren anschließend mehrere geeignete Vorlagen als Datenverstärkung, um die ASQP-Aufgabe zu verbessern. Konkret nutzen wir ein vortrainiertes Sprachmodell, um die Reihenfolgen mit minimaler Entropie auszuwählen. Durch das Feintuning des vortrainierten Sprachmodells mit diesen Vorlagenreihenfolgen verbessert unsere Methode die Leistung der Quadrupelvorhersage erheblich und übertrifft state-of-the-art-Methoden signifikant in ressourcenarmen Szenarien.