SetFitABSA 方面情感分析：读者反馈如何按对象标注与复核

评价对象与接入边界

例如：示例很清楚，但步骤跳得太快，工具还经常卡住。这是一条原创构造样本，不是用户原始反馈，也不是模型输出。编辑需要分别保留示例的正面评价、步骤的负面评价和工具的负面评价，而不是把整句话压成一个标签。

本题要解决的是评价对象提取与对象对应的情感判断，不是把文章分到某个栏目，也不是发现反馈主题。对象原文与业务归类也应分开：工具是文本中出现的对象，工具体验是团队定义的归类。

资料来源为 Hugging Face Blog 索引，其中收录了发布于 2023 年 12 月 6 日的 SetFitABSA: Few-Shot Aspect Based Sentiment Analysis using SetFit。该索引可以定位文章，但不足以确认当前安装方式、训练字段、类名、参数、候选对象处理方式或语言支持。以下数据字段属于本文设计的业务模板，不是官方数据格式。

1. 从官方博客索引按完整文章名定位原文，再查阅与拟安装版本对应的官方说明，登记库版本、依赖、模型版本和示例适用条件。
2. 分别核对对象提取环节和情感分类环节的语言要求。不要因为某个编码模型支持中文，就推断整条流程已经支持中文对象提取。
3. 核对训练输入是否要求对象跨度、出现次数或其他定位字段，以及标签值和无对象样本的表达方式。没有核对完成前，先做人工标注，不启动自动接入。
4. 准备已授权、已脱敏的反馈副本，移除姓名、联系方式、账号和私人链接；保留否定词、转折词及问题上下文。
5. 固定脱敏文本版本后再标注位置。后续文本变化时重新计算位置，不继续使用旧偏移。

建议用一张接入登记表记录版本、对象提取语言依据、情感模型语言依据、输入字段映射、标签映射及核对人。当前这些实现信息尚未由资料包确认，应标记为待核对，而不是填写推测值。

对象定义与少样本标注

下面是一套建议起步规则，不代表官方预设标签。先标原文中的对象，再记录它对应的情感与依据，最后做业务归类。初期只接收显式对象；没有明确对象、反讽或同一对象褒贬难以归并的反馈，保留到人工队列。

建议主表一条反馈一行，对象表一处对象一行。主表保留 feedback_id、group_id、text_version、text、split；对象表保留对象位置、情感和标注人。以下 JSON 展示训练候选记录的业务结构，不可不经转换直接传给模型。

{
  "feedback_id": "train-demo-01",
  "group_id": "thread-demo-01",
  "text_version": "v1",
  "text": "示例清楚，步骤遗漏。",
  "split": "train",
  "aspects": [
    {"term": "示例", "start": 0, "end": 2, "category": "示例质量", "sentiment": "positive"},
    {"term": "步骤", "start": 5, "end": 7, "category": "步骤完整性", "sentiment": "negative"}
  ],
  "review_status": "待复核"
}

这里的位置按 Python 字符串索引定义，从零开始，包含 start、不包含 end；逐项检查 text[start:end] 是否等于 term。相同词出现多次时，必须分别定位，不能只用第一次匹配。该定位规则是本文业务约定，转成官方输入时仍需核对单位与格式。

1. 先用一小批样本统一规则，覆盖各类对象的正面、负面和中性表达，不把“少样本”理解为固定条数即可达到可用效果。
2. 由两名标注者独立判断一部分样本，对照对象边界和情感分歧，修订规则后再扩充标注。
3. 按原始反馈或会话组划分训练、验证和测试集。同一反馈拆出的对象行，以及重复或近重复反馈，应留在同一划分中。
4. 保留独立测试集，不用它选择参数。数据不足时如实记录缺少哪些对象或标签，不用复制样本补齐评测数量。

训练与预测流程

在当前证据条件下，能提供的是流程示意，不能把未经核对的函数名包装成可运行代码。下面每个处理节点都是职责说明，不对应已确认的官方 API；实际实现须在完成版本和语言核对后补齐。

已确认标注 + 固定数据划分
    -> 检查对象位置、标签和重复组
    -> 转换为已核对版本要求的训练格式
    -> 按该版本说明训练所需组件
    -> 用验证集选择配置并保存模型与配置版本

独立测试文本
    -> 预测评价对象及对应情感
    -> 保留原始返回并转换为业务明细
    -> 与人工标准答案按对象逐项对照
    -> 导出待复核记录

训练输入示例可以使用上一节的构造记录来说明字段映射，但不能仅靠这一条记录训练可用模型。预测验收示例可使用“案例有帮助，但工具不好用”：人工目标是案例对应 positive、工具对应 negative。这里展示的是期望判断，不是已经生成的预测结果。

预测时只输入待分析文本及接口明确要求的信息，不把测试答案一并交给模型。若先由人工给定对象、再只预测情感，应单独标为“给定对象的情感评估”，不能将其结果当作自动提取对象的端到端表现。

建议分别记录对象提取的精确率、召回率，以及对象位置和情感同时正确的匹配情况；情感分类可另看给定正确对象时各标签的表现。统计前固定匹配规则，例如要求起止位置完全一致，并同时公布样本数。没有运行记录时，不填写准确率、耗时或效果提升数字。

混合情感检查样本

下表是原创构造的混合情感检查集，只用于启动人工验收设计，不替代独立收集的业务测试集，也不能据此宣称模型表现。若用于调参，应将其视为开发检查集，另留未接触的最终测试集。

对每条反馈先数清应有对象，再检查对象对应的情感。模型没有返回对象时，也要留下反馈级记录；空返回不等于没有问题。业务统计应注明按对象提及次数还是按反馈条数计数，不能把拆出的多行误当作多位读者。

常见故障与修正

复核记录与发布验收

建议分别导出反馈主表、预测对象明细和人工复核表，关联 feedback_id、文本版本及运行编号。原始预测只读保存，人工结论另列，避免一次改判覆盖问题依据。

多人意见不一致时，可参考多人独立标注与仲裁记录方法保留各自判断，再形成最终结论。复核表是待填写模板，不表示已经完成复核。

• 发布前确认：实际接入版本、输入字段、输出结构和各组件语言支持均有核对记录；否则仅交付数据准备原型。
• 发布前确认：脱敏副本已复查，访问权限受控，对象跨度能回到同一文本版本。
• 发布前确认：同一反馈及近重复组未跨训练、验证和测试集，测试答案未进入预测输入。
• 发布前确认：否定、转折、多对象、同名对象和无显式对象样本均已逐项检查，遗漏没有被静默删除。
• 发布前确认：对象提取与情感判断分开评估，统计口径及样本数完整；构造样本未冒充业务结果。
• 发布前确认：预测原文、人工改判和理由均可追溯，待仲裁项不进入已确认问题统计。
• 发布前确认：结果只作为编辑复核线索，不自动触发文章发布、下架或对读者的判断。

下一步应先补齐官方文章正文及对应版本的接口、语言支持资料，再实现字段转换和训练调用。在此之前，先完成对象定义、脱敏标注与独立测试集，能够避免后续接入时反复改动数据口径。