論文の概要: Do LLMs Think Fast and Slow? A Causal Study on Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2404.11055v2
• Date: Sun, 27 Oct 2024 23:50:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:14:51.273989
• Title: Do LLMs Think Fast and Slow? A Causal Study on Sentiment Analysis
• Title（参考訳）: LLMは速くて遅いか? : 感覚分析の因果的研究
• Authors: Zhiheng Lyu, Zhijing Jin, Fernando Gonzalez, Rada Mihalcea, Bernhard Schölkopf, Mrinmaya Sachan,
• Abstract要約: 感性分析(SA)は、製品レビューのようなテキストで表される感情を特定することを目的としている。 レビューとそれに関連する感情を踏まえると、この研究は2つのタスクの組み合わせとしてSAを定式化します。 総感情スコアがすべての文レベル感情の平均を近似するとC1、総感情スコアがピークとエンドの感情の平均を近似するとC2と分類する。
• 参考スコア（独自算出の注目度）: 136.13390762317698
• License:
• Abstract: Sentiment analysis (SA) aims to identify the sentiment expressed in a text, such as a product review. Given a review and the sentiment associated with it, this work formulates SA as a combination of two tasks: (1) a causal discovery task that distinguishes whether a review "primes" the sentiment (Causal Hypothesis C1), or the sentiment "primes" the review (Causal Hypothesis C2); and (2) the traditional prediction task to model the sentiment using the review as input. Using the peak-end rule in psychology, we classify a sample as C1 if its overall sentiment score approximates an average of all the sentence-level sentiments in the review, and C2 if the overall sentiment score approximates an average of the peak and end sentiments. For the prediction task, we use the discovered causal mechanisms behind the samples to improve LLM performance by proposing causal prompts that give the models an inductive bias of the underlying causal graph, leading to substantial improvements by up to 32.13 F1 points on zero-shot five-class SA. Our code is at https://github.com/cogito233/causal-sa
• Abstract（参考訳）: 感性分析(SA)は、製品レビューのようなテキストで表される感情を特定することを目的としている。 この研究は、レビューとそれに関連する感情が与えられた場合、(1)レビューが感情を「優先」するか(Causal hypothesis C1)、またはレビューが「優先」であるか(Causal hypothesis C2)、(2)レビューを入力として使用して感情をモデル化する従来の予測タスクの2つのタスクの組み合わせとしてSAを定式化する。 心理学におけるピークエンドルールを用いて、その全体感情スコアがレビュー中のすべての文レベル感情の平均を近似するとC1、全体感情スコアがピークとエンド感情の平均を近似するとC2と分類する。 予測タスクでは, サンプルの裏側にある因果的機構を用いて, モデルに基礎となる因果グラフの帰納バイアスを与える因果的プロンプトを提案し, ゼロショット5クラスSAに対して最大32.13 F1ポイントの大幅な改善を実現した。 私たちのコードはhttps://github.com/cogito233/causal-saにあります。

関連論文リスト

• How are Prompts Different in Terms of Sensitivity? [50.67313477651395]
  本稿では,関数の感度に基づく包括的即時解析を提案する。 出力に対する入力トークンの関連性に異なるプロンプトがどう影響するかを実証的に示すために、勾配に基づく唾液度スコアを使用する。 本稿では, 感度推定をペナルティ項として組み込んだ感度認識復号法を標準グリーディ復号法で導入する。
  論文  参考訳（メタデータ） (2023-11-13T10:52:01Z)
• Psychologically-Inspired Causal Prompts [34.29555347562032]
  感情分類を例として、レビュー(X)と感情(Y)の因果関係を考察する。 本稿では,これら3つの感情分類の心理的プロセスの因果的メカニズムを3つの異なる因果的プロンプトに言語化する。
  論文  参考訳（メタデータ） (2023-05-02T20:06:00Z)
• Causal Intervention Improves Implicit Sentiment Analysis [67.43379729099121]
  インスツルメンタル・バリアブル(ISAIV)を用いたインシシット・センシティメント分析のための因果介入モデルを提案する。 まず、因果的視点から感情分析をレビューし、このタスクに存在する共同設立者を分析する。 そこで本研究では,文章と感情の因果関係を解消し,純粋因果関係を抽出するインストゥルメンタル変数を提案する。
  論文  参考訳（メタデータ） (2022-08-19T13:17:57Z)
• Spatio-Temporal Graph Representation Learning for Fraudster Group Detection [50.779498955162644]
  企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。 そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。 両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
  論文  参考訳（メタデータ） (2022-01-07T08:01:38Z)
• Polarity in the Classroom: A Case Study Leveraging Peer Sentiment Toward Scalable Assessment [4.588028371034406]
  大規模なまたは大規模なオープンオンラインコース(MOOC)における、正確な段階的なオープンエンドの割り当ては、簡単ではない。 本稿では、ドメイン依存のレキシコンとアスペクトインフォーム化されたレビューフォームを作成するプロセスについて詳述する。 有効性を分析し、9コースから6800以上のピアレビューのコーパスから結論を議論する。
  論文  参考訳（メタデータ） (2021-08-02T15:45:11Z)
• Causal Effects of Linguistic Properties [41.65859219291606]
  観察データを用いて言語特性の因果効果を推定する問題を考察する。 言語特性の因果効果を推定するアルゴリズムであるTextCauseを紹介する。 提案手法は,Amazonのレビュー感情の効果を推定する際に,関連する手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-24T15:43:37Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。