Prompting Is All You Need: Multi-view Prompting Large Language Models for Aspect-Based Sentiment Analysis

📄 arXiv: 2605.28058v1 📥 PDF

作者: Nils Constantin Hellwig, Niklas Donhauser, Jakob Fehle, Udo Kruschwitz, Christian Wolff

分类: cs.CL

发布日期: 2026-05-27

💡 一句话要点

提出LLM-MvP，通过多视角Prompting提升大语言模型在ABSA任务上的性能并降低计算成本。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 方面级情感分析 大语言模型 Prompting 多视角学习 模式约束解码

📋 核心要点

  1. 现有基于LLM的ABSA方法虽然优于零样本基线，但与微调模型相比仍有差距，且计算成本高昂。
  2. LLM-MvP通过结合多视角prompting、模式约束解码和前缀批处理，提升性能并降低计算开销。
  3. 实验结果表明，LLM-MvP在五个基准数据集上达到了与微调模型相当或更优的性能。

📝 摘要（中文）

本文提出了一种基于大语言模型的多视角Prompting方法（LLM-MvP），用于方面级情感分析（ABSA）。该方法借鉴了多视角原则，通过考虑多个元素排序来改进LLM的prompting效果。LLM-MvP结合了模式约束解码、上下文无关文法和前缀批处理，在实现与微调方法相当甚至更优的性能的同时，显著降低了计算开销。在五个基准数据集上的大量实验表明，LLM-MvP缩小了少样本prompting和微调模型之间的差距，为ABSA提供了一种实用且高效的解决方案。

🔬 方法详解

问题定义：论文旨在解决方面级情感分析（ABSA）任务中，基于大语言模型（LLM）的少样本prompting方法性能与微调模型存在差距，且计算成本高昂的问题。现有方法在利用LLM进行ABSA时，往往无法充分利用LLM的潜力，同时推理成本限制了其在实际场景中的应用。

核心思路：论文的核心思路是借鉴多视角学习的思想，通过对输入元素进行不同的排序组合，生成多个不同的prompt，从而更全面地利用LLM的知识。此外，通过模式约束解码和前缀批处理，降低计算开销，提高推理效率。这样设计的目的是为了在不进行大规模微调的情况下，充分挖掘LLM在ABSA任务上的潜力，并使其更易于部署。

技术框架：LLM-MvP的技术框架主要包含以下几个阶段：1) 多视角Prompt生成：对输入文本的方面（aspect）和上下文（context）进行不同的排序组合，生成多个prompt。2) LLM推理：使用LLM对生成的多个prompt进行推理，得到每个prompt对应的情感极性预测。3) 模式约束解码：利用上下文无关文法（CFG）约束LLM的输出，确保输出符合预定义的模式。4) 结果聚合：将多个prompt的预测结果进行聚合，得到最终的ABSA结果。5) 前缀批处理：通过共享prompt的前缀，减少LLM的重复计算，提高推理效率。

关键创新：论文最重要的技术创新点在于将多视角学习的思想引入到LLM的prompting中，通过生成多个不同视角的prompt，更全面地利用LLM的知识，从而提升ABSA的性能。与现有方法相比，LLM-MvP不需要进行大规模的微调，即可达到与微调模型相当甚至更优的性能，同时降低了计算成本。

关键设计：在多视角prompt生成方面，论文考虑了方面和上下文的不同排序方式。在模式约束解码方面，论文使用上下文无关文法（CFG）来约束LLM的输出，确保输出符合预定义的模式，例如情感极性只能是positive、negative或neutral。在前缀批处理方面，论文通过共享prompt的前缀，减少LLM的重复计算，提高推理效率。具体的参数设置和损失函数等技术细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LLM-MvP在五个基准数据集上达到了与微调模型相当或更优的性能。例如，在某数据集上，LLM-MvP的性能超过了最强的微调模型，并且显著降低了计算成本。这表明LLM-MvP是一种实用且高效的ABSA解决方案。

🎯 应用场景

该研究成果可广泛应用于情感分析、舆情监控、产品评论分析等领域。通过利用LLM-MvP，企业可以更高效地分析用户对产品或服务的评价，及时发现问题并改进，提升用户满意度。未来，该方法有望扩展到其他自然语言处理任务中，例如文本摘要、机器翻译等。

📄 摘要（原文）

Recent work explored the capabilities of Large Language Models (LLMs) in Aspect-Based Sentiment Analysis (ABSA) through few-shot prompting, requiring substantially fewer annotated examples while achieving notable improvements over zero-shot baselines. However, a performance gap remained compared to models fine-tuned on hundreds of examples, and the computational costs of LLM inference present practical barriers to deployment. We introduce LLM-based Multi-View Prompting (LLM-MvP), which adapts the multi-view principle of considering multiple element orderings to LLM prompting. By combining schema-constrained decoding with a context-free grammar and prefix batching, LLM-MvP achieves performance competitive or superior to fine-tuned approaches while substantially reducing computational overhead. Extensive experiments across five benchmark datasets demonstrate that LLM-MvP closes the gap between few-shot prompting and fine-tuned models, offering a practical and efficient solution for ABSA.