基于知识蒸馏与分布约束的个性化联邦学习新范式：面向多跨度复杂句的方面情感三元组精准提取

本文提出了一种融合自监督对比学习的多提示生成模型（MPGM），通过多模板增强（MTE）、术语亲和力评估（TAE）和双维监督对比学习（D2SCL）三大模块，显著提升了方面情感三元组提取（ASTE）任务中对多跨度复杂句的处理能力。实验表明，该模型在ASTE-DATA-v1/v2数据集上F1值最高达76.80%，为自然语言处理（NLP）领域细粒度情感分析提供了创新解决方案。

　　

Highlight

本研究创新性地提出多提示生成模型（MPGM），通过自监督对比学习攻克方面情感三元组提取（ASTE）任务中的关键难题。

模型概览

如图3所示，MPGM框架包含三大核心模块：

1. 多模板增强（MTE）：嵌入多样化提示模板，通过投票机制整合生成结果，消除单一模板的随机性误差。

2. 术语亲和力评估（TAE）：利用位置标注和掩码机制捕捉方面词（A）与观点词（O）的语义关联，提升术语识别准确率。

3. 双维监督对比学习（D2SCL）：基于三元组数量和情感类型双重标签，增强模型对复杂情感表达的判别力。

数据集

实验采用ASTE-DATA-v₁和v₂数据集（含14Lap/14Res/15Res/16Res子集），其中v₂通过优化标注质量显著提升了数据完整性。

结论

MPGM通过多模板协同和术语特征强化，在ASTE任务中实现SOTA性能（F₁值最高76.80%），为处理多跨度复杂句提供了新范式。