E2TP: Element to Tuple Prompting Improves Aspect Sentiment Tuple Prediction

要約

生成的アプローチはアスペクトベースの感情分析 (ABSA) に大きな影響を与え、大きな注目を集めています。
ただし、既存の研究ではターゲット テキスト コンポーネントをモノリシックに予測することが多く、タプル予測に単一要素を利用する利点が無視されています。
このペーパーでは、2 段階のアーキテクチャを採用した Element to Tuple Prompting (E2TP) を紹介します。
前者のステップは単一要素の予測に重点を置き、後者のステップでは、これらの予測された要素を対応するタプルにマッピングすることでプロセスを完了します。
E2TP は人間の問題解決にインスピレーションを受けており、最初のステップの出力を 2 番目のステップのガイドとして使用して、タスクを管理可能な部分に分割します。
この戦略では、トレーニング プロセスを促進するために、E2TP($diet$)、E2TP($f_1$)、および E2TP($f_2$) という 3 つのタイプのパラダイムが設計されています。
データセット固有の実験を超えて、私たちの論文ではクロスドメインのシナリオに取り組み、アプローチの有効性と一般化可能性を実証しています。
さまざまなベンチマークで包括的な分析を実行することにより、E2TP がほぼすべてのケースで新しい最先端の結果を達成することを示します。

要約(オリジナル)

Generative approaches have significantly influenced Aspect-Based Sentiment Analysis (ABSA), garnering considerable attention. However, existing studies often predict target text components monolithically, neglecting the benefits of utilizing single elements for tuple prediction. In this paper, we introduce Element to Tuple Prompting (E2TP), employing a two-step architecture. The former step focuses on predicting single elements, while the latter step completes the process by mapping these predicted elements to their corresponding tuples. E2TP is inspired by human problem-solving, breaking down tasks into manageable parts, using the first step’s output as a guide in the second step. Within this strategy, three types of paradigms, namely E2TP($diet$), E2TP($f_1$), and E2TP($f_2$), are designed to facilitate the training process. Beyond dataset-specific experiments, our paper addresses cross-domain scenarios, demonstrating the effectiveness and generalizability of the approach. By conducting a comprehensive analysis on various benchmarks, we show that E2TP achieves new state-of-the-art results in nearly all cases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google