该研究提出了自适应数据增强（ADA）框架来解决情感分析中的数据不平衡问题，并探索了生成框架用于提取完整的情感四元组。实验结果表明，自适应数据增强方法对于改善情感分析任务中的数据不平衡问题具有优势。

Jan, 2024

本文提出了一种统一的一步解决方案 One-ASQP，用于检测方面类别并同时识别方面 - 意见 - 情感 (AOS) 三元组，旨在扩展 Aspect sentiment quad prediction (ASQP) 的能力，并公开了两个新的 ASQP 数据集，以解决现有基准和数据集规模较小的问题。

Jun, 2023

本文提出了基于语义生成以及 ASQP 任务的方案，能够通过一个句子实现四个情感因素的预测，从而揭示一个更全面的方面级别情感结构。同时该方案可以以端到端的方式从生成的角度来解决 ASQP 任务，充分利用情感元素的语义信息，取得了很好的实验效果及其在其他任务上的良好通用性。

Oct, 2021

通过构建两个大型的中文 aspect sentiment quad prediction（ASQP）数据集，我们评估了 GPT 系列模型在 ASQP 上的性能，并展示了潜在的问题，同时强调了需要探索额外技术以解决 ASQP 以及改善 GPT 性能的重要性。

Nov, 2023

Aspect Sentiment Quad Prediction (ASQP) 任务是在基于方面的情感分析中预测给定评论的所有四元组（方面术语、方面类别、意见术语、情感极性）的最具代表性和具有挑战性的任务。我们提出了一个自训练框架，其中包含一个伪标签评分器，用于评估评论与其伪标签之间的匹配程度，目的是过滤掉不匹配的部分，从而增强自训练的效果。我们还探索了使用大型语言模型替代人类进行对比数据集注释的可能性，并且实验证明了其可行性。

Jun, 2024

本研究旨在解决使用神经模型进行少样本学习中，纬度预测的挑战，并提出了一种聚合多个模板的广角软提示方法，通过使用预训练语言模型选择相关度最高的 k 个模板，并使用软提示来指导预训练语言模型，最终将多个模板的结果通过投票机制进行聚合。实验证明，该方法在各项指标上明显优于其他最新方法和公共数据集。

Jun, 2024

本文提出了一种基于动态顺序模板（DOT）的 ABSA 方法，通过基于实例级熵动态生成每个实例所需的视图，确保多样化和相关的视图生成，提高 ASQP 和 ACOS 数据集上的 F1 分数，同时显著减少推理时间。

Jun, 2024

通过模型的自洽性推理和相应的情感四元组生成，SCRAP 显著提高了应对复杂推理任务的能力，并通过一致性投票正确预测四元组，从而在 ASQP 中获得了增强的可解释性和准确性。

Mar, 2024

我们提出了一种新的任务，称为实体 - 方面 - 意见 - 情感四元抽取（EASQE），旨在将方面术语层次化地分解为实体和方面，以避免在 ABSA 任务中的信息丢失，非独占性注释和意见误解。通过实验证明，我们的触发器 - 意见框架可以生成令人满意的 EASQE 结果，并且也可以应用于其他 ABSA 任务，显著优于现有的方法。

Nov, 2023

本文提出了一个统一的框架来解决基于方面的情感分析（ABSA）及其相关子任务，通过在多任务学习模式下使用 T5 模型，通过教学提示进行 fine-tuning，并在多个基准数据集上实现了表现提升（F1 绝对值增加了 6.75），特别是在少样本情况下。

Oct, 2022