RVISA: Reasoning and Verification for Implicit Sentiment Analysis

要約

詳細な感情分析 (SA) に対する社会的需要が高まる中、暗黙的感情分析 (ISA) では、表現に顕著な手がかりとなる単語が存在しないため、重大な課題が生じています。
感情がどのように引き起こされるかを理解し、暗黙の感情を決定するには、信頼できる推論が必要です。
大規模言語モデル (LLM) の時代には、多様なタスク間で優れたテキスト理解と推論能力を考慮して、SA アプリケーションのバックボーン モデルとして機能するエンコーダー デコーダー (ED) LLM が人気を博しました。
一方、Decoder-only (DO) LLM は、優れた自然言語生成機能とコンテキスト内学習機能を示します。
ただし、回答には誤解を招く情報や不正確な情報が含まれる可能性があります。
信頼性の高い推論で暗黙の感情を特定するために、この研究では、強化された推論者をトレーニングするために DO LLM の生成能力と ED LLM の推論能力を活用する 2 段階の推論フレームワークである RVISA を提案します。
具体的には、感情要素を手がかりとして明示的に提供するよう促す 3 ホップ推論を採用します。
生成された理論的根拠は、ED LLM を熟練した推論者に微調整するために利用されます。
さらに、推論学習の信頼性を確保するための、単純かつ効果的な検証メカニズムを開発します。
私たちは、提案された手法を 2 つのベンチマーク データセットで評価し、ISA パフォーマンスにおいて最先端の結果を達成しました。

要約(オリジナル)

With an increasing social demand for fine-grained sentiment analysis (SA), implicit sentiment analysis (ISA) poses a significant challenge with the absence of salient cue words in expressions. It necessitates reliable reasoning to understand how the sentiment is aroused and thus determine implicit sentiments. In the era of Large Language Models (LLMs), Encoder-Decoder (ED) LLMs have gained popularity to serve as backbone models for SA applications, considering impressive text comprehension and reasoning ability among diverse tasks. On the other hand, Decoder-only (DO) LLMs exhibit superior natural language generation and in-context learning capabilities. However, their responses may contain misleading or inaccurate information. To identify implicit sentiment with reliable reasoning, this study proposes RVISA, a two-stage reasoning framework that harnesses the generation ability of DO LLMs and the reasoning ability of ED LLMs to train an enhanced reasoner. Specifically, we adopt three-hop reasoning prompting to explicitly furnish sentiment elements as cues. The generated rationales are utilized to fine-tune an ED LLM into a skilled reasoner. Additionally, we develop a straightforward yet effective verification mechanism to ensure the reliability of the reasoning learning. We evaluated the proposed method on two benchmark datasets and achieved state-of-the-art results in ISA performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google