nchellwig 在 SemEval-2026 任务 3: 使用大语言模型进行维度方面基于情感分析的自一致结构生成（SCSG）
nchellwig at SemEval-2026 Task 3: Self-Consistent Structured Generation (SCSG) for Dimensional Aspect-Based Sentiment Analysis using Large Language Models
AI总结：
nchellwig 在 SemEval-2026 任务 3 中提出 SCSG 方法，利用大语言模型进行维度方面基于情感分析，通过自一致性生成提升预测可靠性，实验显示在多个语言和领域组合中表现优异。
摘要：
我们提出了 Self-Consistent Structured Generation（SCSG）用于 SemEval-2026 任务 3（Track A）中的维度方面基于情感分析。SCSG 通过在每个实例上多次执行 LoRA 调整后的大型语言模型，保留仅在多次运行中达成多数共识的元组，以提高预测可靠性。为了减轻多次前向传递的计算开销，我们利用 vLLM 的 PagedAttention 机制实现高效的键-值缓存重用。在 6 种语言和 8 种语言-领域组合上的评估显示，15 次自一致性执行在统计上显著优于单次推理提示，我们的系统（利用 Gemma 3）在所有设置中排名前七，其中在三个英语子集中获得第二名，在 DimASTE 的 Tatar-Restaurant 上获得第一名。
英文摘要：
We present Self-Consistent Structured Generation (SCSG) for Dimensional Aspect-Based Sentiment Analysis in SemEval-2026 Task 3 (Track A). SCSG enhances prediction reliability by executing a LoRA-adapted large language model multiple times per instance, retaining only tuples that achieve a majority consensus across runs. To mitigate the computational overhead of multiple forward passes, we leverage vLLM's PagedAttention mechanism for efficient key--value cache reuse. Evaluation across 6 languages and 8 language--domain combinations demonstrates that self-consistency with 15 executions yields statistically significant improvements over single-inference prompting, with our system (leveraging Gemma 3) ranking in the top seven across all settings, achieving second place on three out of four English subsets and first place on Tatar-Restaurant for DimASTE.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
