InstructABSA: Instruction Learning for Aspect Based Sentiment Analysis

要約

このホワイト ペーパーでは、InstructABSA、すべての ABSA サブタスクの命令学習パラダイムを使用したアスペクトベースの感情分析 (ABSA) を紹介します。アスペクト用語抽出 (ATE)、アスペクト用語感情分類 (ATSC)、および共同タスク モデリング。
私たちの方法は、ポジティブ、ネガティブ、ニュートラルの例を各トレーニング サンプルに導入し、インストラクションが各 ABSA サブタスクのモデル (Tk-Instruct Base) を調整して、パフォーマンスを大幅に改善します。
Sem Eval 2014 データセットの実験結果は、InstructABSA が 3 つの ABSA サブタスク (ATE、ATSC、およびジョイント タスク) すべてで以前の最先端 (SOTA) アプローチよりも優れており、7 倍の大きなモデルよりも優れていることを示しています。
特に、InstructABSA は、レストラン ATE サブタスクで SOTA を 7.31% ポイント、ラップトップ ジョイント タスクで 8.63% ポイント上回っています。
私たちの結果はまた、3 つのサブタスクすべてにまたがる目に見えないタスクに対する強力な一般化能力を示唆しています。

要約(オリジナル)

In this paper, we present InstructABSA, Aspect-Based Sentiment Analysis (ABSA) using 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 Base) for each ABSA subtask, yielding significant performance improvements. Experimental results on the Sem Eval 2014 dataset 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 restaurant ATE subtask by 7.31% points and on the Laptop Joint Task by 8.63% points. Our results also suggest a strong generalization ability to unseen tasks across all three subtasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google