摘要
多模态基于方面的 sentiment 分析（MABSA）通过联合使用文本和视觉信息来预测针对特定方面的情绪表达，从而支持产品评论、品牌监控和客户反馈中的细粒度意见分析。然而，现有方法仍然容易受到无关视觉区域的影响，文本与图像的对齐效果不佳，并且对外部知识的利用也有限。针对这些挑战，本研究系统地评估了两种仅基于文本的大型语言模型和四种开放权重的大型视觉语言模型在方面级情感分类方面的表现。开放权重模型采用了4位量化的低秩适应机制，而GPT-4o则在零样本、一次样本和五次样本的上下文学习中进行了评估，且未更新参数。实验在Twitter-2015、Twitter-2017数据集以及七领域的MASAD数据集上进行，并使用准确率和宏F1分数进行评估。在评估的多模态模型中，Qwen3-VL-8B-Instruct表现出最佳性能，在Twitter-2015数据集上的准确率为83.22%，宏F1分数为81.72%；在Twitter-2017数据集上的准确率为79.50%，宏F1分数为78.93%；在MASAD的Plant领域中，准确率可达99.84%，宏F1分数为99.83%。从对称性的角度来看，语义对齐的文本-图像-方面输入提供了一致的跨模态证据，而随机排列的图像会引入不对称、破坏对称性的信息。实验结果表明，在随机排列图像的场景下，模型性能下降，这说明可靠的方面级情感预测依赖于保持跨模态语义对应关系。这些发现证明了针对MABSA的参数高效LVLM适应方法的有效性。
