跨域提升1.48%
该模型利用句法硬提示和原型软提示结合，在跨领域方面情感三元组提取中超越现有最佳模型。
Fan, Yang · 周夏冰 · 张旻 · 周国栋
IEEE Transactions on Affective Computing 2024
句法硬提示注入结构知识，软提示用增强后的原型表示共享类别信息，跨域时三元组抽取不依赖伪标签质量。
将硬提示、软提示与原始序列一次性混合输入生成模型，无需两阶段训练，训练流程更简洁。
在 12 个迁移对上均超过基线，平均 F1 比现有最佳跨域 ASTE 模型高 1.48%，证明方法在多种域组合下有效。