InstructABSA: Instruction Learning for Aspect Based Sentiment Analysis

要約

タイトル：InstructABSA：アスペクトベースの感情分析のための指示学習

要約：

– InstructABSAは、アスペクトベースの感情分析（ABSA）のすべてのサブタスク（アスペクト語句抽出、アスペクト語句の感情分類、およびジョイントタスクモデリング）において、指示学習パラダイムを使用したアルゴリズムである。
– InstructABSAは、各トレーニングサンプルにポジティブ、ネガティブ、およびニュートラルな例を導入し、指示に従ってモデルを調整することで、各ABSAサブタスクに対してTk-Instructを生成する。
– Sem Eval 2014、15、および16のデータセットの実験結果により、InstructABSAは、7倍大きなモデルよりもすべてのABSAサブタスク（ATE、ATSC、およびJoint Task）で以前の最新技術（SOTA）アプローチを大幅に上回っていることが示された。
– 特に、InstructABSAは、Rest14 ATEサブタスクでSOTAを7.31％ポイント、Rest15 ATSCサブタスクで、Lapt14 Joint Taskで8.63％ポイント超えている。
– さらに、結果はすべて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を示唆している。

要約(オリジナル)

In this paper, we present InstructABSA, Aspect Based Sentiment Analysis (ABSA) using the instruction learning paradigm for all 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) for each ABSA subtask, 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 all 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 7.31% points, Rest15 ATSC subtask by and on the Lapt14 Joint Task by 8.63% 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