用合成数据测试大模型在隐式观点提取中的表现

From Annotation to Adaptation: Metrics, Synthetic Data, and Aspect Extraction for Aspect-Based Sentiment Analysis with Large Language Models

• 构建体育评论合成数据集，评估大模型观点抽取能力
• 发现大模型在隐式观点识别上表现良好但仍有局限
• 提出新评估指标，适合研究生成式模型的学者

本研究考察大型语言模型（LLMs）在基于方面的情感分析（ABSA）任务中的表现，重点关注新领域中隐式方面提取的能力。利用一个合成的体育反馈数据集，我们评估了开源大模型在提取方面-情感对方面的表现，并提出一种新指标以支持生成式模型在方面抽取任务上的评估。研究结果揭示了大模型在该任务中的潜力与局限性。

原文摘要 · Abstract (English)

This study examines the performance of Large Language Models (LLMs) in Aspect-Based Sentiment Analysis (ABSA), with a focus on implicit aspect extraction in a novel domain. Using a synthetic sports feedback dataset, we evaluate open-weight LLMs' ability to extract aspect-polarity pairs and propose a metric to facilitate the evaluation of aspect extraction with generative models. Our findings highlight both the potential and limitations of LLMs in the ABSA task.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。