基于ChatGPT的对比性方面情感分析增强策略探索
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对现有方面情感分析中的标签数据稀缺问题，提出了一种基于ChatGPT的数据增强方法，旨在提升对方面术语的情感分类性能。通过比较三种数据增强策略，结果表明，采用上下文-方面数据增强策略的效果最佳，显著超越基础模型的性能，展示了这一方法在情感分析中的潜在影响。
本研究评估了GPT-4和GPT-3.5在纵向情感分析任务上的性能。微调的GPT-3.5在术语提取和极性分类任务上获得了83.8的最优F1分数，比InstructABSA提高了5.7%。模型参数增加了1000倍，推理成本也增加了。详细提示可以提高性能，但对于微调模型来说并非必要。这些结果对于ABSA中使用LLMs的实践者具有相关性。
