COLING2022 | 情感分析？零样本预训练模型调优 “Prompt 设计指南”（含源码）

引言

 在文本情感分类中，预训练模型如何进行prompting呢？为此，本篇文章在不同提示符的状况下，研究了零样本学习分类器对提示符变化的敏感性，进而给出在情感分类预训练模型的提示符选择方法。

背景介绍

 为了便于情感交流，存在一组不同的情感名称，例如被Ekman等人标记的基本情感名称：愤怒、恐惧、快乐、悲伤、厌恶、惊讶、信任、期待。虽然这些心理模型影响着自然语言处理和情感分类方法，但情感概念的选择是上下文相关的。除了Ekman的基本情绪外，Scherer等人在分析某件事情的时候，还选择使用内疚和羞耻表达自我情感；而对于艺术感知的背景，考虑审美情感更合适，比如美、崇高、灵感、怀旧和忧郁。

 所以说对于不同的应用场景和领域，情感相关训练数据中标签集也是不一样的，这纯粹是因为「标签集不兼容。一种解决方案是诉诸所谓的维度模型」，其中情感名称位于情感或认知评估的向量空间中。在这些向量空间中，即使在训练期间没有看到这些类，也可以使用最近邻方法将类分配给预测点。然而，「这种方法存在中心问题」，即在训练期间看到的预测和情感词之间的距离往往小于新的情感词，为此我们也致力于解决这一问题。

 本文采用不同的、更直接的途径来获得在系统开发时未知的离散情感类别的分类器，即零样本学习(ZSL)。ZSL系统通过自然语言推理模型(NLI)执行推理。因此，实现ZSL-NLI模型不是通过举例说明和优化分类器，而是开发适当的自然语言类名称表示，我们称之为提示。我们在下图可以看到了一个将NLI模型应用于ZSL情感分类的示例。其中：给定“I won a trip to Greece in a competition:-)”，三种假设分表代表开心(happy)、生气(angry)、悲伤(sad)三种情绪，那么判断这个人的情感肯定是开心。

 在这里NLI模型需要确定假设（表示类标签的提示）是否包含前提（要分类的实例）。「那么基于这种范式如何制定情感提示，以及提示的设计选择需要在多大程度上适应数据集」。

 基于数据手动制作的模板可能是最自然的产生提示的方法。在本文中，我们采用手工模板来测试NLI-ZSL设置中的情绪分类，并根据各种语料库（推文、事件描述、博客文章）分析提示是否依赖于语言环境。

方法介绍

 本节将解释如何将 NLI 应用于 ZSL 情感分类，并提出一组提示来上下文化和表示不同语料库中的情感概念， 此外还提出了一个在整个语料库中更加健壮的提示整合方法。

NLI应用ZSL

情感提示

 在情感分析的背景下，当制定一个提示时，会出现两个重要的问题:(i)如何将情感名称上下文化，(ii)如何表示情感概念?

「用函数g(e) = c + r(e)生成一组提示，其中c表示上下文」，r(e)表示一组情感表示。作为c，我们使用空字符串，“文本表达了”，“这个人感觉”，或“这个人表达”等表示。

 本文中的每一个提示都由语境和情感表征组成。有三种提示具有共同的情感名称表示，即Emo-Name，Expr-Emo和feelings-emo。这些提示的变体有EmoS、Expr-S和feelings-s，其中「情绪名称表示由多个情绪同义词取代，EmoLex中情绪名称由情绪词词典中的条目取代」。具体来说如下表所示：

提示集合

 在实际应用程序中，某些用户无法手动执行特定提示的选择。在假设提示的选择确实是特定于语料库的情况下，我们「将多个提示集组合成一个集合」。

实验结果

 1、不同的NLI模型在情绪数据集和提示符之间表现稳健。

 2、在提示语中加入同义词有助于情感解读。

 3、在集成中组合一系列提示可以提高模型泛化能力。

论文&&源码

Paper：https://arxiv.org/pdf/2209.06701.pdf

Code：https://github.com/fmplaza/zsl_nli_emotion_prompts