摘要

本文探讨了在低资源语言如韩语中进行基于方面的情感分析（ABSA）的挑战。研究提出了一种直观且有效的框架，通过整合翻译的基准数据和未标记的韩语数据来优化预测标签。该框架利用在翻译数据上微调的模型为实际的韩语自然语言推理（NLI）集生成伪标签，并通过LaBSE和MSP（最大软概率）过滤器进行过滤，以增强方面类别检测和极性判断。该模型通过双重过滤，成功地弥合了数据集之间的差距，在资源有限的韩语ABSA中取得了积极成果。此外，该研究还发布了一个新的韩语ABSA数据集和代码，为社区提供了进一步研究和应用的基础。

原理

该研究的核心在于通过伪标签和双重过滤技术来提升韩语ABSA的性能。首先，使用机器翻译的英语ABSA数据为实际的韩语评论生成伪标签。然后，通过LaBSE模型和MSP过滤器对这些伪标签进行筛选，以确保高质量的训练数据。LaBSE模型是一种语言无关的BERT句子嵌入模型，能够支持109种语言，通过计算句子对之间的余弦相似度来识别语义等价性。MSP过滤器则通过最大软概率阈值来进一步筛选伪标签，确保模型在预测时具有高置信度。这种双重过滤机制有效地提高了模型的泛化能力和预测准确性。

流程

研究分为两个阶段。第一阶段，评估翻译的基准数据并生成原始数据的伪标签。这些数据用于微调多语言模型。在测试翻译数据后，最佳模型用于预测韩语原始数据的伪标签。第二阶段，使用第一阶段选定的基准模型对KR3数据进行微调，通过语言无关的嵌入相似度对评论和方面句子对进行微调，并设置最大软概率（MSP）阈值。整个流程包括数据准备、模型训练、伪标签生成、双重过滤和最终模型评估。

应用

该研究提出的框架不仅适用于韩语ABSA，还可以扩展到其他低资源语言的情感分析任务中。通过有效的数据处理和模型微调，该框架能够提升模型在实际应用中的性能，特别是在资源有限的环境下。此外，该研究还为社区提供了新的数据集和代码，鼓励进一步的研究和应用，有望推动多语言情感分析领域的发展。