LACA 跨语言 ABSA - LLM 数据增强多语种情感分析

1. 解决的问题

Momcozy 在德/法/西市场每月接收 5000+ 母语客服工单(如德语 "Die Verpackung ist sehr schwer zu öffnen"). 传统做法用 Google Translate 翻译成英文后跑英文 ABSA,翻译会丢失 aspect 对齐("Verpackung" → "package" 时 BIO 边界错位 30%+). 跨境品牌每月因机翻错误导致工单

2. 核心算法逻辑

跨语言 ABSA 痛点:目标语言(德/法/西/日)无标注数据,翻译方法会丢失 aspect 词对齐. LACA 用逆向去噪思路:① 用英文标注模型对目标语言文本做零样本预测 → ② 把伪标签反向喂给 LLM,让 LLM 生成与该标签匹配的干净目标语言句子 → ③ 合并英文真标注 + LLM 生成伪标注重训模型. 绕过 MT 对齐错误,跨语言 ABSA SOTA.

3. 业务应用场景

- 业务问题:Momcozy 在德/法/西市场每月接收 5000+ 母语客服工单(如德语 "Die Verpackung ist sehr schwer zu öffnen"). 传统做法用 Google Translate 翻译成英文后跑英文 ABSA,翻译会丢失 aspect 对齐("Verpackung" → "package" 时 BIO 边界错位 30%+). 跨境品牌每月因机翻错误导致工单错分 1500+ 条 - 数据要求:英文 ABSA 标注数据(SemEval-2016 或自建母婴标注集 2000-5000 条) + 各市场无标注客服日志 - LACA 配置: - 骨干 XLM

- 业务问题:同一款奶粉在 Amazon.de / .fr / .es / .co.jp 销售,各市场 Review 用不同语言. 需要统一 Aspect Schema(taste/safety/packaging/price_value/age_suitability/brand_trust)做跨市场情感分布对比. 现在各市场分别人工标注,标准不统一,跨市场决策对比失真 - 数据要求:各市场 Amazon Review API + 统一 Aspect schema - LACA 配置: - 英文标注 → LACA 微调 → 一个统一 ABSA 模型支持 4-6 语种推断 - 跨市场对比矩阵

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• 易处:XLM-R/mBERT 公开可用,跨语言对齐"开箱即用"
• 易处:CL-XABSA 有完整 GitHub 实现可参考
• 难处:LACA 主论文未开源,需自行实现 LLM 生成 + 一致性校验
• 难处:LLaMA 3.1 70B / Orca 2 推理成本(单产品千条评论生成 ~$5-10)
• 难处:德语/日语未在 LACA 实验集,需要业务实测验证

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
LACA 跨语言 ABSA 最小骨架
主论文 arXiv:2508.09515 (ACL 2025)
辅: CL-XABSA arXiv:2204.00791 (github.com/GKLMIP/CL-XABSA)
依赖: pip install transformers torch
"""
from __future__ import annotations
from dataclasses import dataclass, field
from typing import List, Optional, Tuple


@dataclass
class LACAConfig:
    backbone: str = "xlm-roberta-base"
    source_lang: str = "en"
    target_lang: str = "de"
    label_space: List[str] = field(default_factory=lambda: [
        "O", "B-POS", "I-POS", "B-NEG", "I-NEG", "B-NEU", "I-NEU",
    ])

    @property
    def num_labels(self) -> int:
        return len(self.label_space)

    @property
    def id2label(self) -> dict:
        return {i: lbl for i, lbl in enumerate(self.label_space)}


def parse_bio_to_aspects(tokens: List[str], pred_labels: List[str]) -> List[Tuple[str, str]]:
    """BIO 序列 → [(aspect_term, polarity)]"""
    aspects, current, current_pol = [], [], None
    for tok, label in zip(tokens, pred_labels):
        if tok in ("[CLS]", "[SEP]", "<s>", "</s>", "<pad>"):
            continue
        clean_tok = tok.replace("▁", "").replace("##", "")
        if label.startswith("B-"):
            if current:
                aspects.append((" ".join(current), current_pol))
            current = [clean_tok]
            current_pol = label[2:]
        elif label.startswith("I-") and current:
            current.append(clean_tok)
        else:
            if current:
                aspects.append((" ".join(current), current_pol))
                current, current_pol = [], None
    if current:
        aspects.append((" ".join(current), current_pol))
    return aspects


def build_laca_prompt(
    aspect_tuples: List[Tuple[str, str]],
    target_lang: str,
    few_shot_examples: List[Tuple[str, str, str]],
) -> str:
    """LACA Stage 2: Label-Aware LLM 生成 prompt"""
    examples_text = "\n".join(
        f'[A] {a} [P] {p} -> "{sent}"'

8. 论文来源

• 2204.00791
• 2508.09515