MvP : L'amélioration de la prédiction des tuples d'aspect et de sentiment par le prompting multi-vue

Les méthodes génératives favorisent considérablement l'analyse de sentiments basée sur les aspects en générant une séquence d'éléments de sentiment dans un format spécifié. Cependant, les études existantes prédisent généralement les éléments de sentiment dans un ordre fixe, ce qui ignore l'effet de l'interdépendance des éléments dans un tuple de sentiment et la diversité de l'expression linguistique sur les résultats. Dans cette recherche, nous proposons Multi-view Prompting (MvP), une méthode qui agrège les éléments de sentiment générés dans différents ordres, en s'appuyant sur l'intuition des processus de résolution de problèmes humains à partir de différentes perspectives. Plus précisément, MvP introduit des invites d'ordre des éléments pour guider le modèle linguistique à générer plusieurs tuples de sentiment, chacun avec un ordre différent des éléments, puis sélectionne les tuples les plus raisonnables par vote. MvP peut modéliser naturellement plusieurs vues et plusieurs tâches comme des permutations et combinaisons d'éléments respectivement, surpassant ainsi les méthodes précédemment conçues pour des tâches spécifiques sur plusieurs tâches d'ABSA avec un seul modèle. De nombreuses expériences montrent que MvP améliore significativement les performances actuelles sur 10 jeux de données de 4 tâches de référence, et se révèle particulièrement efficace dans des contextes à ressources limitées. Une évaluation détaillée a vérifié l'efficacité, la flexibilité et la transférabilité entre tâches de MvP.