阿拉伯语隐式方面识别中语言特定与跨语言知识图谱的比较研究

一篇论文比较了阿拉伯语隐式方面识别中两种知识图谱策略：利用跨语言嵌入重用英语知识图谱，或构建本地阿拉伯语知识图谱。在三个阿拉伯语基准上，原生阿拉伯语知识图谱比跨语言英语知识图谱在M-ABSA上micro-F1提高0.199，在SemEval-2016上提高0.251。任务特定微调8B参数大语言模型将显式提取micro-F1从≤0.13提升至0.66–0.76，证明任务适应比模型规模更关键。

此前低资源语言方面级情感分析常依赖跨语言迁移使用英语知识图谱，但该研究表明原生语言知识图谱显著优于跨语言策略，且针对任务的微调（而非更大模型）是提升性能的决定性因素。这提示低资源语言NLP产品应重视本地知识图谱构建和精心设计的任务适应，而非盲目追求模型规模。

隐式方面识别需要知识图谱将意见线索与方面类别链接。跨语言策略通过多语言嵌入连接英语KG，但语义映射损失导致性能下降；原生阿拉伯语KG直接建模目标语言语义，保留更多信息。生成提取器（LLM）方面，零样本提示无法有效提取显式方面（micro-F1≤0.13），而任务特定微调使模型学会识别阿拉伯语形态丰富的方面表达，大幅提升召回率和精确率。

构建阿拉伯语情感分析产品时应优先开发阿拉伯语知识图谱而非依赖英语资源；使用8B参数模型进行任务微调即可取得良好效果，无需更大LLM，从而降低推理成本和部署门槛。该发现可推广至其他低资源语言，提示产品团队应投资任务特定的标注数据和微调流水线。

• 为阿拉伯语电商评论开发基于原生知识图谱的隐式方面识别模块
• 提供8B参数模型微调服务，替代通用大模型调用，降低API成本
• 构建低资源语言（如北非方言）的领域知识图谱生成工具

• 原生知识图谱的规模与质量对性能的影响如何？
• 跨语言策略在语义相似的（如阿拉伯语与希伯来语）之间是否同样劣势？
• 微调后的8B模型在更复杂的隐式方面推理上是否仍有上限？
• 其他低资源语言（如印地语、斯瓦希里语）是否呈现相同结论？