Test-Time Code-Switching for Cross-lingual Aspect Sentiment Triplet Extraction

要約

アスペクトセンチメントトリプレット抽出（ASTE）は、高リソース言語で印象的な結果が達成されている繁栄する研究分野です。
ただし、ASTEタスクへの横断的転送の適用は比較的未開拓であり、現在のコードスイッチング方法は依然として用語境界検出の問題と辞書から外れた問題に悩まされています。
この研究では、バイリンガルトレーニングフェーズと単一言語のテスト時間予測とのギャップを埋める新しいテスト時間コードスイッチング（TT-CSW）フレームワークを紹介します。
トレーニング中、生成モデルはバイリンガルコードスイッチトレーニングデータに基づいて開発され、バイリンガルの入力のためにバイリンガルアステトリプレットを生成できます。
テスト段階では、テスト時間の増強にアラインメントベースのコードスイッチング手法を採用しています。
横断的ASTEデータセットに関する広範な実験は、提案された方法の有効性を検証します。
異なる言語の4つのデータセットで、加重平均F1の観点から、3.7％の平均改善を達成します。
さらに、CHATGPTとGPT-4を使用してベンチマークを設定し、提案されているTT-CSWフレームワークでそれぞれ微調整されたより小さな生成モデルをそれぞれ14.2％と5.0％と5.0％上回ることを実証します。

要約(オリジナル)

Aspect Sentiment Triplet Extraction (ASTE) is a thriving research area with impressive outcomes being achieved on high-resource languages. However, the application of cross-lingual transfer to the ASTE task has been relatively unexplored, and current code-switching methods still suffer from term boundary detection issues and out-of-dictionary problems. In this study, we introduce a novel Test-Time Code-SWitching (TT-CSW) framework, which bridges the gap between the bilingual training phase and the monolingual test-time prediction. During training, a generative model is developed based on bilingual code-switched training data and can produce bilingual ASTE triplets for bilingual inputs. In the testing stage, we employ an alignment-based code-switching technique for test-time augmentation. Extensive experiments on cross-lingual ASTE datasets validate the effectiveness of our proposed method. We achieve an average improvement of 3.7% in terms of weighted-averaged F1 in four datasets with different languages. Additionally, we set a benchmark using ChatGPT and GPT-4, and demonstrate that even smaller generative models fine-tuned with our proposed TT-CSW framework surpass ChatGPT and GPT-4 by 14.2% and 5.0% respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google