Key points are not available for this paper at this time.
A Análise de Sentimento Baseada em Aspectos (ABSA) é uma tarefa importante de análise de sentimento, que tem como objetivo determinar a polaridade do sentimento em relação a um aspecto em uma frase. Devido aos dados rotulados caros e limitados, o aumento de dados (DA) tornou-se o padrão para melhorar o desempenho da ABSA. No entanto, os métodos atuais de DA geralmente apresentam algumas desvantagens: 1) fluência e coerência deficientes, 2) falta de diversidade dos dados gerados e 3) dependência de alguns dados rotulados existentes, dificultando suas aplicações em cenários do mundo real. Em resposta a esses problemas, propomos uma estrutura sistemática de aumento de dados iterativo, chamada IterD, para impulsionar o desempenho da ABSA. O núcleo do IterD é aproveitar a poderosa capacidade dos modelos de linguagem grande (LLMs) para gerar iterações de dados rotulados sintéticos mais fluentes e diversos, a partir de um corpus de frases não supervisionadas. Experimentos extensivos em 4 benchmarks de ABSA amplamente utilizados mostram que o IterD traz ganhos de desempenho consistentes e significativos entre 5 modelos de ABSA base. Mais encorajadoramente, os dados sintéticos gerados pelo IterD podem alcançar um desempenho comparável ou até melhor em relação aos dados anotados manualmente.
Li et al. (Sat,) estudaram essa questão.