面向科学数据集社会评论的细粒度情感分析方法

摘要

针对当前科学数据集社会评论数量较少、缺乏社会影响力评价方法的问题，提出了一种基于元素顺序引导生成推理的属性级情感分析方法(element order guided attribute-level sentiment analysis, EOG-ALSA),在少样本条件下提升属性级情感分析的效果，并解决生成模型无法直接筛选出最优结果的难题。根据目标元素顺序构建多组提示模板，引导生成模型生成多个三元组序列；提取元素信息组合为新语句并与原输入语句进行相似度比较；选取相似度最高的输出作为分析结果。实验显示，EOG-ALSA方法在细粒度情感识别任务中具有明显优势，相较当前最优的对比方法，在精确率、召回率和F1值上分别提高了20.69百分点、21.43百分点和21.08百分点，提出的方法在提升科学数据集社会评论的语义情感识别效果方面具有较高应用价值。

关键词

科学数据集 / 属性级情感分析 / 提示模板 / 生成模型