AILS-NTUA 在 SemEval-2026 任务 3 上：高效维度方面基于情感分析
AILS-NTUA at SemEval-2026 Task 3: Efficient Dimensional Aspect-Based Sentiment Analysis
AI总结：
AILS-NTUA 提出了一种高效维度方面基于情感分析方法，结合语言适配编码器和 LoRA 指令微调，实现多语言多领域下的三元组和四元组提取，提升情感分析性能。
摘要：
在本文中，我们提出了用于 SemEval-2026 任务 3 Track-A 的 AILS-NTUA 系统，该系统针对维度方面基于情感分析（DimABSA）问题，涵盖了三个互补性问题：维度方面情感回归（DimASR）、维度方面情感三元组提取（DimASTE）和维度方面情感四元组预测（DimASQP）在内的多语言多领域框架。我们的方法结合了针对连续方面级情感预测的适合语言的编码器骨干的微调，以及使用 LoRA 对大型语言模型进行语言特定的指令微调，以实现结构化的三元组和四元组提取。这种统一且任务适应性的设计强调了在语言和领域之间参数高效的专业化，使训练和推理需求减少，同时保持了强大的有效性。实证结果表明，所提出的模型在大多数评估设置中实现了具有竞争力的性能，并且在大多数评估设置中一致超越了提供的基线。
英文摘要：
In this paper, we present AILS-NTUA system for Track-A of SemEval-2026 Task 3 on Dimensional Aspect-Based Sentiment Analysis (DimABSA), which encompasses three complementary problems: Dimensional Aspect Sentiment Regression (DimASR), Dimensional Aspect Sentiment Triplet Extraction (DimASTE), and Dimensional Aspect Sentiment Quadruplet Prediction (DimASQP) within a multilingual and multi-domain framework. Our methodology combines fine-tuning of language-appropriate encoder backbones for continuous aspect-level sentiment prediction with language-specific instruction tuning of large language models using LoRA for structured triplet and quadruplet extraction. This unified yet task-adaptive design emphasizes parameter-efficient specialization across languages and domains, enabling reduced training and inference requirements while maintaining strong effectiveness. Empirical results demonstrate that the proposed models achieve competitive performance and consistently surpass the provided baselines across most evaluation settings.
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。
