基于UIE的情感可解释分析  

Interpretable Sentiment Analysis Based on UIE

作　　者：朱杰 刘苏文 李军辉[2] 郭立帆 曾海峰 陈风 ZHU Jie;LIU Suwen;LI Junhui;GUO Lifan;ZENG Haifeng;CHEN Feng(Alibaba Group,Hangzhou,Zhejiang 311100,China;School of Computer Science and Technology,Soochow University,Suzhou,Jiangsu 215006,China)

机构地区：[1]阿里巴巴集团,浙江杭州311100 [2]苏州大学计算机科学与技术学院,江苏苏州215006

出　　处：《中文信息学报》2023年第11期151-157,共7页Journal of Chinese Information Processing

基　　金：国家自然科学基金(61876120)。

摘　　要：情感可解释分析是情感分析领域中一个新颖的任务,旨在判断文本极性,同时还需模型给出判断所依据的证据。现有的情感分析方法大多是黑盒模型,其内部决策机制对用户是不透明的。近年来,尽管模型可解释性受到越来越多的关注,但由于缺少人工标注的评测数据,可解释评估仍旧是一个亟待解决的问题。该文提出了一个基于UIE (Universal Information Extraction)的情感可解释分析方法,该方法根据情感可解释任务的特点,使用小样本学习、文本聚类等技术,提高了模型的合理性、忠诚性。实验结果表明,该方法在“2022语言与智能技术竞赛:情感可解释评测”任务上获得了第一名的成绩。Interpretable sentiment analysis aims to judge the polarity of text,and at the same time,give evidence for judgements or evidence for predictions.Most of the existing sentiment analysis methods are black box models,and interpretability evaluation is still a problem to be solved.This paper proposes a interpretable sentiment analysis method based on UIE.According to the characteristics of sentiment interpretable tasks,this method uses methods such as few-shot and text clustering to improve the rationality and loyalty of the model.The experimental results show that this method has won the first place in the task of“2022 language and intelligent technology competition:sentiment interpretable evaluation”.

关 键 词：情感可解释分析 UIE 少样本学习 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]