InstructABSA: Instruction Learning for Aspect Based Sentiment Analysis

要約

タイトル：InstructABSA：Aspect Based Sentiment AnalysisのためのInstruction Learning
要約：
– 本論文では、InstructABSAという方法を提案し、Aspect Based Sentiment Analysis（ABSA）のサブタスクであるAspect Term Extraction（ATE）、Aspect Term Sentiment Classification（ATSC）、Joint Task modelingのためのinstruction learning paradigmを使用する。
– この手法は、各トレーニングサンプルに正または負の例を導入し、instructionがモデルをチューニングし、ABSAサブタスクのTk-Instructを実行することで、顕著なパフォーマンス向上をもたらす。
– Sem Eval 2014、15、16のデータセットでの実験結果は、InstructABSAが、7倍も大きなモデルを上回って、3つのABSAサブタスク（ATE、ATSC、Joint Task）で、従来の最先端（SOTA）アプローチを大幅に上回ることを示している。
– 特に、InstructABSAは、Rest14 ATEサブタスクで5.69％ポイント、Rest15 ATSCサブタスクで9.59％ポイント、Lapt14 Joint Taskで3.37％ポイント、従来の最先端を超えている。また、すべての3つのサブタスクにおいて、新しいドメインに対する強力な汎用性が示唆されています。

要約(オリジナル)

In this paper, we present InstructABSA, Aspect Based Sentiment Analysis (ABSA) using the instruction learning paradigm for the ABSA subtasks: Aspect Term Extraction (ATE), Aspect Term Sentiment Classification (ATSC), and Joint Task modeling. Our method introduces positive, negative, and neutral examples to each training sample, and instruction tunes the model (Tk-Instruct) the ABSA subtasks, yielding significant performance improvements. Experimental results on the Sem Eval 2014, 15, and 16 datasets demonstrate that InstructABSA outperforms the previous state-of-the-art (SOTA) approaches on the three ABSA subtasks (ATE, ATSC, and Joint Task) by a significant margin, outperforming 7x larger models. In particular, InstructABSA surpasses the SOTA on the Rest14 ATE subtask by 5.69% points, Rest15 ATSC subtask by 9.59% points, and on the Lapt14 Joint Task by 3.37% points. Our results also suggest a strong generalization ability to new domains across all three subtasks

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI