摘要
阿拉伯语的基于方面的情感分析（ABSA）需要识别文本中未明确提及的隐性方面。隐性识别通常依赖于辅助知识源（如知识图谱），将意见线索与方面类别连接。然而，对于资源较少的语言，实践者面临设计选择：通过多语言嵌入重用成熟的英语知识图谱，还是构建一个较小的本土阿拉伯知识图谱。
本文报告了在单一混合管道中对这两种策略的受控比较，并在三个阿拉伯语基准数据集（M-ABSA、SemEval-2016 Arabic 和 HAAD）上进行了评估。我们进一步比较了为知识图谱提供信息的生成提取器的两种适应策略——zero-shot 提示与特定任务的微调，后者使用了一个 80 亿参数的大型语言模型（LLM）。
实验结果表明，本土阿拉伯知识图谱（策略 2）在 M-ABSA 上比跨语言英语知识图谱（策略 1）提高了 +0.199 的 micro-F1，在 SemEval-2016 上则提高了 +0.251，同时在精度和召回率上均有所提升。特定任务的微调使显式提取的 micro-F1 提升了显著。
博主点评： 这篇研究为阿拉伯语隐性方面识别提供了重要见解，表明本土知识图谱在资源匮乏语言中的优势，尤其是在精度和召回率上，值得其他语言的研究者借鉴。相较于依赖翻译的跨语言模型，本土化策略展现了更强的适应性与效果。