摘要

本文介绍了一种名为RVISA的新型两阶段推理框架，旨在提高隐式情感分析（ISA）的准确性。随着对细粒度情感分析（SA）需求的增加，隐式情感分析由于缺乏明显的线索词而成为一个重大挑战。RVISA框架利用Decoder-only（DO）大型语言模型（LLMs）的生成能力和Encoder-Decoder（ED）LLMs的推理能力，通过三跳推理提示和验证机制来训练增强的推理器。该方法在两个基准数据集上实现了最先进的ISA性能。

原理

RVISA框架的核心在于其两阶段推理过程。第一阶段，利用DO LLMs生成情感元素作为线索，通过三跳推理提示明确提供这些元素。生成的理由随后用于微调ED LLM，使其成为一个熟练的推理器。第二阶段，引入一个简单而有效的验证机制，确保推理学习的可靠性。该机制通过额外的任务监督，指导模型在推理学习过程中的自我修正。

流程

RVISA的工作流程分为两个主要阶段。首先，DO LLMs通过三跳推理提示生成有洞察力的理由和预测标签。然后，根据LLM预测标签的正确性筛选验证信号。在第二阶段，生成的理由用于在ED骨干模型上进行多任务微调。为了进一步确保生成理由的可靠性，实施了一个简单而有效的验证机制，通过额外的任务监督，指导自我修正过程。

应用

RVISA框架在隐式情感分析领域展现出巨大的应用潜力。随着社交媒体和在线评论的普及，对情感分析的需求日益增长，特别是在商业领域，准确理解消费者情感对于产品改进和服务优化至关重要。RVISA的高性能和可靠性使其成为情感分析工具的理想选择，有望在多个行业中得到广泛应用。