LLaMA-Based Models for Aspect-Based Sentiment Analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F24%3A43972808" target="_blank" >RIV/49777513:23520/24:43972808 - isvavai.cz</a>

Výsledek na webu

<a href="https://aclanthology.org/2024.wassa-1.6/" target="_blank" >https://aclanthology.org/2024.wassa-1.6/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.18653/v1/2024.wassa-1.6" target="_blank" >10.18653/v1/2024.wassa-1.6</a>

Jazyk výsledku

angličtina

Název v původním jazyce

LLaMA-Based Models for Aspect-Based Sentiment Analysis

Popis výsledku v původním jazyce

While large language models (LLMs) show promise for various tasks, their performance in compound aspect-based sentiment analysis (ABSA) tasks lags behind fine-tuned models. However, the potential of LLMs fine-tuned for ABSA remains unexplored. This paper examines the capabilities of open-source LLMs fine-tuned for ABSA, focusing on LLaMA-based models. We evaluate the performance across four tasks and eight English datasets, finding that the fine-tuned Orca 2 model surpasses state-of-the-art results in all tasks. However, all models struggle in zero-shot and few-shot scenarios compared to fully fine-tuned ones. Additionally, we conduct error analysis to identify challenges faced by fine-tuned models.

Název v anglickém jazyce

LLaMA-Based Models for Aspect-Based Sentiment Analysis

Popis výsledku anglicky

While large language models (LLMs) show promise for various tasks, their performance in compound aspect-based sentiment analysis (ABSA) tasks lags behind fine-tuned models. However, the potential of LLMs fine-tuned for ABSA remains unexplored. This paper examines the capabilities of open-source LLMs fine-tuned for ABSA, focusing on LLaMA-based models. We evaluate the performance across four tasks and eight English datasets, finding that the fine-tuned Orca 2 model surpasses state-of-the-art results in all tasks. However, all models struggle in zero-shot and few-shot scenarios compared to fully fine-tuned ones. Additionally, we conduct error analysis to identify challenges faced by fine-tuned models.

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

2024

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 14th Workshop on Computational Approaches to Subjectivity, Sentiment, &amp; Social Media Analysis

ISBN

979-8-89176-156-8

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

63-70

Název nakladatele

Association for Computational Linguistics

Místo vydání

Kerrville

Místo konání akce

Bangkok, Thailand

Datum konání akce

15. 8. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—