شهدت توقعات المشاعر المتعلقة بالجانبين (Aspect Sentiment Quad Prediction) تقدمًا كبيرًا، بدعم من القدرات القوية لفهم المعاني والإنتاجية لنماذج اللغة الكبيرة (LLMs). ورغم إثبات فعالية المعلومات النحوية في الأطر السابقة، إلا أنها لا تزال غير مستغلة بشكل كافٍ في الأطر التوليدية لنماذج اللغة الكبيرة بسبب محدودية قدراتها على التفكير.
ما هو S^2IT؟
نقترح في هذه الورقة البحثية S^2IT، وهو إطار مبتكر يقوم بدمج المعرفة النحوية تدريجيًا داخل نماذج اللغة الكبيرة من خلال عملية ضبط متعددة الخطوات. تنقسم عملية التدريب إلى ثلاث خطوات:
1. **الاستخراج الموجه بالنحو العالمي** (Global Syntax-guided Extraction)
2. **التصنيف الموجه بالنحو المحلي** (Local Syntax-guided Classification)
تساعد هذه المراحل في دمج كل من المعلومات النحوية العالمية والمحلية. وأخيرًا، يعزز **الضبط الهيكلي الدقيق** (Fine-grained Structural Tuning) فهم النموذج للهياكل النحوية من خلال توقع روابط العناصر وتصنيف العقد.
نتائج التجارب
أظهرت التجارب أن S^2IT يُحسن بشكل ملحوظ الأداء في مجموعة متنوعة من مجموعات البيانات، ما يجعله خيارًا مثاليًا لتحسين كيفية استخدام نماذج اللغة في توقعات المشاعر.
وقد تم الإعلان عن تنفيذ هذا البحث، وسيتم مشاركته كمصدر مفتوح على [GitHub](https://github.com/DMIRLAB-Group/S2IT).