In-context learning enhanced by multi-perspective sequential retrieval and predictive feedback for few-shot aspect-based sentiment analysis
Notice bibliographique
Résumé
Aspect-based sentiment analysis (ABSA) aims to extract fine-grained opinions from the text by discerning sentiments toward specific aspects. Although large language models (LLMs) perform well in-context learning (ICL), current ICL methodologies typically retrieve semantically similar but structurally redundant examples, failing to capture syntactic and aspect-level cues critical for ABSA. To overcome these limitations, we report Multi-perspective Sequential retrieval with Predictive Feedback (MSPF), a few-shot learning framework that enhances ICL through MSPF, which integrates three complementary perspectives: overall semantic, syntactic relevance, and aspect sentiment alignment. Evaluated on four benchmark datasets (Laptop14, Restaurant14, Books, and Clothing), MSPF achieved F1 scores of 67.03 % (Laptop14), 73.51 % (Restaurant14), 76.07 % (Books), and 81.96 % (Clothing), outperforming standard ICL by +7.06 %, +5.60 %, +25.61 %, and +18.38 %, respectively. These results validated the efficacy of MSPF in improving LLM reasoning for fine-grained sentiment tasks with limited annotations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».