Prompt-Based Approach for Czech Sentiment Analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43970187" target="_blank" >RIV/49777513:23520/23:43970187 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.26615/978-954-452-092-2_118" target="_blank" >https://doi.org/10.26615/978-954-452-092-2_118</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.26615/978-954-452-092-2_118" target="_blank" >10.26615/978-954-452-092-2_118</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Prompt-Based Approach for Czech Sentiment Analysis

Popis výsledku v původním jazyce

This paper introduces the first prompt-based methods for aspect-based sentiment analysis and sentiment classification in Czech. We employ the sequence-to-sequence models to solve the aspect-based tasks simultaneously and demonstrate the superiority of our prompt-based approach over traditional fine-tuning. In addition, we conduct zero-shot and few-shot learning experiments for sentiment classification and show that prompting yields significantly better results with limited training examples compared to traditional fine-tuning. We also demonstrate that pre-training on data from the target domain can lead to significant improvements in a zero-shot scenario.

Název v anglickém jazyce

Prompt-Based Approach for Czech Sentiment Analysis

Popis výsledku anglicky

This paper introduces the first prompt-based methods for aspect-based sentiment analysis and sentiment classification in Czech. We employ the sequence-to-sequence models to solve the aspect-based tasks simultaneously and demonstrate the superiority of our prompt-based approach over traditional fine-tuning. In addition, we conduct zero-shot and few-shot learning experiments for sentiment classification and show that prompting yields significantly better results with limited training examples compared to traditional fine-tuning. We also demonstrate that pre-training on data from the target domain can lead to significant improvements in a zero-shot scenario.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Large Language Models for Natural Language Processing

ISBN

978-954-452-092-2

ISSN

1313-8502

e-ISSN

2603-2813

Počet stran výsledku

11

Strana od-do

1110-1120

Název nakladatele

INCOMA Ltd.

Místo vydání

Shoumen

Místo konání akce

Varna

Datum konání akce

4. 9. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—