NEUDM/aste-data-v2

> 上述数据集为ABSA(Aspect-Based Sentiment Analysis)领域数据集，基本形式为从句子中抽取：方面术语、方面类别(术语类别)、术语在上下文中情感极性以及针对该术语的观点词，不同数据集抽取不同的信息，这点在jsonl文件的“instruction”键中有分别提到，在此我将其改造为了生成任务，需要模型按照一定格式生成抽取结果。 #### 以acos数据集中抽取的jsonl文件一条数据举例： ``` { "task_type": "generation", "dataset": "acos", "input": ["the computer has difficulty switching between tablet and computer ."], "output": "[['computer', 'laptop usability', 'negative', 'difficulty']]", "situation": "none", "label": "", "extra": "", "instruction": " Task: Extracting aspect terms and their corresponding aspect categories, sentiment polarities, and opinion words. Input: A sentence Output: A list of 4-tuples, where each tuple contains the extracted aspect term, its aspect category, sentiment polarity, and opinion words (if any). Supplement: \"Null\" means that there is no occurrence in the sentence. Example: Sentence: \"Also it's not a true SSD drive in there but eMMC, which makes a difference.\" Output: [['SSD drive', 'hard_disc operation_performance', 'negative', 'NULL']]' " } ``` > 此处未设置label和extra，在instruction中以如上所示的字符串模板，并给出一个例子进行one-shot，ABSA领域数据集(absa-quad,acos,arts,aste-data-v2,mams,semeval-2014,semeval-2015,semeval-2016,towe)每个数据集对应instruction模板相同，内容有细微不同，且部分数据集存在同一数据集不同数据instruction内容不同的情况。 #### 原始数据集 - 数据[链接](https://github.com/xuuuluuu/Position-Aware-Tagging-for-ASTE) - Paper: [Position-Aware Tagging for Aspect Sentiment Triplet Extraction](https://arxiv.org/abs/2010.02609) - 说明：原始数据集由laptop14、restaurant14、restaurant15以及restaurant16四部分文件组成。 #### 当前SOTA *数据来自[Easy-to-Hard Learning for Information Extraction](https://arxiv.org/abs/2305.09193)* - 评价指标：F1 Score - SOTA模型：E2H-large - 在laptop14数据部分：**75.92** - 在restaurant14数据部分：**65.98** - 在restaurant15数据部分：**68.80** - 在restaurant16数据部分：**75.46** - 平均：**71.54** - Paper：[Easy-to-Hard Learning for Information Extraction](https://arxiv.org/pdf/2305.09193.pdf) - 说明：该论文来自[Google Scholar](https://scholar.google.com/scholar?as_ylo=2023&hl=zh-CN&as_sdt=2005&sciodt=0,5&cites=8596892198266513995&scipsc=)检索到的引用ASTE-data-v2原论文的论文之一，在比较2023年的一些论文工作后筛选了一个最优指标以及模型。本数据集属于基于方面的情感分析（Aspect-Based Sentiment Analysis，ABSA）领域，其核心任务为从语句中抽取四类信息：方面术语、方面类别（术语所属类别）、术语在上下文语境中的情感极性，以及针对该术语的评价观点词。不同数据集需抽取的信息维度存在差异，相关说明可在jsonl文件的"instruction"字段中查看。本次工作将该类数据集改造为生成式任务，要求模型按照指定格式生成抽取结果。 #### 以acos数据集中抽取的jsonl文件一条数据举例： json { "任务类型": "generation", "数据集名称": "acos", "输入": ["这款电脑在平板与电脑模式间切换存在卡顿。"], "输出": "[['电脑', '笔记本电脑使用性能', '负面', '卡顿']]", "场景": "none", "标签": "", "额外信息": "", "指令说明": " 任务：抽取方面术语及其对应的方面类别、情感极性与观点词。 输入：单句文本 输出：由四元组构成的列表，每个四元组依次包含抽取得到的方面术语、所属方面类别、情感极性以及观点词（若存在）。补充说明："Null"表示语句中无对应内容。 示例： 语句："此处搭载的并非真正的固态硬盘（SSD），而是eMMC存储，这会对性能产生影响。" 输出：[['固态硬盘（SSD）', '硬盘运行性能', '负面', 'NULL']] " } 本示例未设置标签与额外信息字段，指令说明采用上述字符串模板，并通过单样本示例（one-shot）进行演示。ABSA领域数据集涵盖absa-quad、acos、arts、aste-data-v2、mams、semeval-2014、semeval-2015、semeval-2016、towe等，各数据集的指令模板框架一致，但细节存在差异；部分数据集甚至存在同数据集内不同样本的指令内容不一致的情况。 #### 原始数据集 - 数据[链接](https://github.com/xuuuluuu/Position-Aware-Tagging-for-ASTE) - 论文: [面向方面情感三元组抽取的位置感知标注](https://arxiv.org/abs/2010.02609) - 说明：原始数据集包含laptop14、restaurant14、restaurant15与restaurant16四个子数据集文件。 #### 当前最优模型（SOTA） *数据来源：[面向信息抽取的从易到难学习](https://arxiv.org/abs/2305.09193)* - 评价指标：F1值 - 当前最优模型：E2H-large - 在laptop14子数据集上：**75.92** - 在restaurant14子数据集上：**65.98** - 在restaurant15子数据集上：**68.80** - 在restaurant16子数据集上：**75.46** - 整体平均性能：**71.54** - 相关论文：[面向信息抽取的从易到难学习](https://arxiv.org/pdf/2305.09193.pdf) - 说明：该论文为通过[Google Scholar](https://scholar.google.com/scholar?as_ylo=2023&hl=zh-CN&as_sdt=2005&sciodt=0,5&cites=8596892198266513995&scipsc=)检索到的引用ASTE-data-v2原论文的文献之一，研究团队在对比2023年以来的多项相关研究工作后，选取了该最优性能指标与对应模型。

原始信息汇总

数据集概述

数据集类型

• 领域：Aspect-Based Sentiment Analysis (ABSA)
• 任务类型：Generation

数据集内容

• 数据集名称：acos
• 输入格式：句子
• 输出格式：列表，包含四个元素的元组，分别表示提取的方面术语、方面类别、情感极性及观点词。
• 示例：
  • 输入："the computer has difficulty switching between tablet and computer ."
  • 输出："[[computer, laptop usability, negative, difficulty]]"

数据集说明

• 任务描述：从句子中抽取方面术语及其对应的方面类别、情感极性和观点词。
• 输入说明：单个句子。
• 输出说明：一个列表，每个元素为一个四元组，包含方面术语、方面类别、情感极性和观点词（若无观点词，则用"NULL"表示）。
• 示例输出：[[SSD drive, hard_disc operation_performance, negative, NULL]]

原始数据集信息

• 组成：由laptop14、restaurant14、restaurant15及restaurant16四部分文件组成。
• 来源：Position-Aware Tagging for Aspect Sentiment Triplet Extraction

当前SOTA模型

• 模型名称：E2H-large
• 评价指标：F1 Score
• 性能指标：
  • laptop14部分：75.92
  • restaurant14部分：65.98
  • restaurant15部分：68.80
  • restaurant16部分：75.46
  • 平均：71.54
• 来源论文：Easy-to-Hard Learning for Information Extraction

搜集汇总

数据集介绍

构建方式

在细粒度情感分析领域，ASTE-data-v2数据集基于原始ASTE任务构建，其原始数据来源于laptop14、restaurant14、restaurant15及restaurant16四个公开基准。该数据集通过结构化转换，将传统的序列标注或分类任务重构为生成式任务。每条数据样本均包含一个输入句子及对应的输出四元组列表，涵盖方面术语、类别、情感极性和观点词。构建过程中，设计统一的指令模板，并采用单样本示例引导，确保了任务格式的一致性，同时保留了原始数据的细粒度标注信息，为生成式模型提供了清晰的任务定义与上下文。

特点

ASTE-data-v2数据集在方面级情感三元组抽取任务中展现出鲜明的特点。数据集覆盖餐饮与电子产品两大领域，提供了丰富的真实场景语句，增强了模型的领域适应性。其核心特征在于将复杂的结构化抽取任务转化为序列生成问题，通过统一的指令模板明确输出格式，降低了模型理解难度。数据集中每条样本均附带详细的指令说明与示例，支持单样本学习，有助于提升模型在少样本情境下的泛化能力。此外，数据集与当前SOTA研究紧密关联，为模型性能评估提供了可靠的基准。

使用方法

使用ASTE-data-v2数据集时，研究者可将其直接应用于生成式模型的训练与评估。模型接收输入句子及对应的指令模板，生成结构化的四元组列表作为输出。在训练阶段，建议遵循指令中的格式规范，确保模型学习到准确的抽取逻辑。评估时，可采用标准F1分数作为指标，与现有SOTA模型如E2H-large进行性能对比。数据集适用于探索从易到难的学习策略、少样本学习及跨领域迁移等研究方向，为推进ABSA领域的技术发展提供了实用且规范的实验平台。

背景与挑战

背景概述

NEUDM/aste-data-v2数据集诞生于2020年，由相关研究团队基于《Position-Aware Tagging for Aspect Sentiment Triplet Extraction》论文构建，专注于方面级情感三元组抽取这一细粒度情感分析任务。该数据集整合了laptop14、restaurant14、restaurant15及restaurant16等多个经典领域语料，旨在从文本中精准识别方面术语、其所属类别、情感极性及对应观点词，推动了ABSA领域向结构化、可解释性方向深化发展。其构建为模型提供了统一评估基准，显著促进了端到端信息抽取技术的演进，成为后续研究如Easy-to-Hard Learning等工作的关键数据基础。

当前挑战

在方面级情感三元组抽取任务中，核心挑战在于模型需同时处理术语边界识别、类别归类、情感判断及观点词关联等多重子任务，且需应对术语与观点词间复杂语义关联及跨领域适应性难题。数据集构建过程中，标注一致性面临严峻考验，例如方面术语与观点词的稀疏对齐、情感极性在上下文中的歧义性，以及不同领域如笔记本电脑与餐厅评论的术语分布差异，均增加了高质量标注的难度。此外，将异构原始数据转化为统一生成式格式时，需平衡指令模板的普适性与数据特异性，确保评估标准的严谨性。

常用场景

经典使用场景

在细粒度情感分析领域，ASTE-data-v2数据集为方面级情感三元组抽取任务提供了标准化的评估基准。该数据集通过标注句子中的方面术语、其所属类别、情感极性及对应的观点词，构建了结构化情感信息框架。研究者通常利用此数据集训练序列标注或生成模型，以精准识别文本中隐含的情感要素，推动自然语言理解向更深层次发展。

实际应用

在实际应用中，ASTE-data-v2数据集支撑了电商评论分析、社交媒体舆情监控及客户反馈挖掘等场景。企业可借助基于该数据集训练的模型，自动提取产品特定方面的用户评价，识别服务短板或产品优势，从而优化运营策略。这种细粒度分析能力提升了商业智能系统的决策精度与响应效率。

衍生相关工作

围绕该数据集，学术界涌现了多项经典工作，例如基于位置感知标注的ASTE模型，以及采用易到难学习策略的E2H-large模型。这些研究通过改进序列标注架构或引入渐进式训练机制，显著提升了情感三元组抽取的F1分数，推动了细粒度情感分析技术的迭代演进，并为后续的生成式方法奠定了基础。