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。

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。研究结果还表明，在零痕迹和少痕迹环境中，详细提示可以提高性能，但对于微调模型来说并非必要。这对于ABSA中使用LLMs时的提示工程和微调选择具有相关性。

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。研究结果表明，在零痕迹和少痕迹环境中，详细提示可以提高性能，但对于微调模型来说并非必要。这对于在ABSA中使用LLMs时的提示工程和微调选择具有相关性。

该研究评估了 GPT-4 和 GPT-3.5 在纵向情感分析任务上的性能，结果显示微调的 GPT-3.5 在 SemEval-2014 任务 4 上获得了最优 F1 分数。详细提示可以提高性能，但对于微调模型来说并非必要。这些证据对于在 ABSA 中使用 LLMs 时面临提示工程和微调选择的实践者具有相关性。