基于轻量化 LLM 的中文属性级情感三元组抽取 (ASTE)

自然语言处理课程设计

模型： Qwen-1.7B / Qwen-4B / Gemma-4B 方法： Zero-shot / Few-shot ICL / LoRA Fine-tuning

项目简介 (Introduction)

本项目针对 中文属性级情感分析 (Aspect Sentiment Triplet Extraction, ASTE) 任务，探索了轻量级大语言模型（<7B）的性能边界。任务目标是从非结构化评论中抽取 (评价对象 Aspect, 观点词 Opinion, 情感极性 Sentiment) 三元组。

我们基于 Qwen (通义千问) 和 Gemma 系列模型，系统对比了零样本推理 (Zero-shot)、少样本学习 (Few-shot) 以及 LoRA 指令微调的效果。

原数据集下载地址：https://github.com/chiawen0104/chn_review_aste

模型下载自hugging face平台

云平台：AutoDl（租用5090实例）

核心工作 (Core Work)

• 多模型对比：横向测评 Qwen-1.7B, Qwen-4B 与 Google Gemma-4B，验证了国产模型在中文语境下的优势。

• 三项对比内容：涵盖 Prompt Engineering (Zero/Few-shot) 与 Parameter-Efficient Fine-Tuning (LoRA)。

• 深度消融实验：探究不同模块对任务结果的影响。

• 双重评估体系：设计 Strict (严格匹配) 与 Soft (模糊匹配) 双指标，参考原数据集代码构建评估指标的构建方法”。

文件结构 (File Structure)

.
├── data/                   # 数据集文件夹 (chn_review_aste)
├── result/                 # 所有实验结果的可视化与Qwen1.7B的实验数据 (.jsonl)
├── src/                    # 数据集自带文件
├── 1_convert.py            # [步骤1] 繁体转简体
├── 2_visualize_data.py     # [步骤2] 数据集探索性分析与可视化
├── 3_clean_data.py         # [步骤3] 数据清洗
├── 4_zero_shot.py          # [实验A] 零样本 (Zero-shot) 推理脚本
├── 5_few_shot.py           # [实验B] 少样本 (Few-shot) 推理脚本
├── 6_train_lora.py         # [实验C] LoRA 微调训练主程序
├── 7_predict_lora.py       # [步骤7] 加载微调权重进行预测
├── 8_evaluation.py         # [步骤8] 核心评估脚本 (计算 Strict/Soft F1)
├── 9_visualize_results.py  # [步骤9] 实验指标对比可视化绘图
├── 10_visualize_train.py   # [步骤10] 绘制 Loss 训练曲线
├── test_model.py           # 简单测试模型是否部署成功
└── json_analyze.py         # JSON 结构分析