Сравнительный анализ глубоких нейронных сетей и больших языковых моделей для аспектно-ориентированного анализа тональности

Анализ тональности имеет важное значение для понимания общественного мнения, особенно в контексте электронной коммерции и расширения онлайн-бизнеса. Ранние подходы рассматривали анализ тональности как задачу классификации на уровне документа или предложения и не позволяли выявлять нюансированные мнения о конкретных аспектах. Это ограничение было устранено благодаря развитию аспектно-ориентированного анализа тональности (ABSA), который связывает тональность с конкретными аспектами, упомянутыми в отзыве явно или неявно. ABSA является относительно новой областью анализа тональности, а существующие модели ABSA сталкиваются с тремя основными проблемами: зависимостью от предметной области, опорой на размеченные данные и недостаточной изученностью потенциала новых больших языковых моделей (LLM), таких как GPT, PaLM и T5. С использованием разнообразного набора наборов данных, включая DOTSA, MAMS и SemEval16, мы оцениваем эффективность таких известных моделей, как ATAE-LSTM, Flan-T5-Large-ABSA, DeBERTa, PaLM и GPT-3.5-Turbo. Полученные результаты выявляют специфические сильные и слабые стороны этих моделей в различных предметных областях: DeBERTa демонстрирует стабильно высокую эффективность, а PaLM показывает значительную конкурентоспособность в задачах анализа тональности аспектных терминов (ATSA). Кроме того, PaLM демонстрирует конкурентоспособные результаты во всех предметных областях, использованных в экспериментах, включая отзывы о ресторанах, отелях, книгах, одежде и фильмах. Примечательно, что анализ подчёркивает чувствительность моделей к предметной области и показывает различия в их эффективности как для задач ATSA, так и для задач анализа тональности аспектных категорий (ACSA). Эти результаты способствуют более глубокому пониманию применимости моделей и обозначают потенциальные направления совершенствования исследований и разработки методов ABSA.