基于PPLM模板增强的零样本方面类别情感分析模型

作     者：凤丽洲 李梦莎 王友卫 杨贵军 

作者机构：天津财经大学统计学院 中央财经大学信息学院 

出 版 物：《计算机科学与探索》 (Journal of Frontiers of Computer Science and Technology)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家社科一般项目(20BTJ058) 

主　　题：方面类别情感分析 零样本学习 提示模板 PPLM文本限制生成 

摘      要：如今方面类别情感分析(Aspect Category Sentiment Analysis，ACSA)因标注数据稀缺而受限，如何在无特定情感标注数据下实现有效分析成为研究挑战。本文将零样本方面类别情感分析任务转换为自然语言推理(Natural Language Inference，NLI)任务，针对传统提示模板面临着语义表达不充分的问题，新提出了一种基于PPLM(Plug and Play Language Model)文本限制生成模型的原因补充提示模板，通过结合情感极性和其原因，使得模板可以帮助模型更好地理解情感背后的原因和动机，从而提高情感分析的准确性和可解释性，此外为了进一步提升ACSA的分类性能，引入了性能逆序系数来确定文中多种提示模板的集成权重。在公共数据集MAMS和Restaurant的实验结果表明本文模型相较于其他零样本ACSA模型，在准确率ACC上提升约7%；PPLM原因补充提示模板可以提升NLI模型的零样本分类性能，其相较于其他传统模板在MF1上提升2.5%；同时改进的权重确定策略也对模型在零样本情境下的情感分析能力有一定提升作用。