引言

在上一篇文章UIE-事件提取中，介绍了doccano的用法，也介绍了基于prompt事件提取的做法。本篇文章继续介绍基于prompt情感分类的做法。

数据标注

关于doccano使用，请看构建分类式任务标签和句子级分类任务。标注完成后生成下面文件。

doccano_txt.json

1
2
{"id": 7, "data": "这个产品用起来真的很流畅，我非常喜欢", "label": ["正向"]}
{"id": 8, "data": "这个产品非常low", "label": ["负向"]}

使用句子级分类任务数据转换转换后，生成的样本如下所示：

train.txt

1
{"content": "这个产品用起来真的很流畅，我非常喜欢", "result_list": [{"text": "正向", "start": -7, "end": -5}], "prompt": "情感倾向[正向,负向]"}

test.txt

1
{"content": "这个产品非常low", "result_list": [{"text": "负向", "start": -7, "end": -5}], "prompt": "情感倾向[负向,正向]"}

训练

注意，输入到模型的prompt是固定的，每个句子的prompt都是固定的，比如：

[cls]情感倾向[负向,正向][SEP]这个产品用起来真的很流畅，我非常喜欢[SEP]
[cls]情感倾向[负向,正向][SEP]这个产品非常low[SEP]

这里你会好奇一个问题了，正向和负向这个label怎么表示呢，貌似原句中也没有这俩词？
注意：模型结构都是固定的（这里不知道的请看上篇文章）

请看训练样本，其中的start和end都是负值，这个经过convert_example转换后，就变成了prompt中对应的正向和负向所对应的index，即答案来自prompt中。

推理

prompt是固定的，即情感倾向[负向,正向]，其他没有什么特殊需要注意的了。

总结

对于prompt learning，模板的构造是比较关键的，百度这种做法值得借鉴！