CCIIP实验室2024级研究生沈楚明同学（导师：魏巍）的论文“Zero-Shot Cross-Domain Aspect-Based Sentiment Analysis viaDomain-Contextualized Chain-of-Thought Reasoning” 被国际自然语言处理顶会（EMNLP 2025）长文全文录用。2025年国际自然语言处理会议（EMNLP 2025）计划于2025年11月5日-11月9日在中国苏州召开。EMNLP是中国计算机学会CCF推荐的B类国际学术会议，中国人工智能学会和清华大学计算机学院推荐的A类会议，在人工智能及自然语言处理领域享有较高学术声誉。
[论文介绍]
论文标题：Zero-Shot Cross-Domain Aspect-Based Sentiment Analysis via Domain-Contextualized Chain-of-Thought Reasoning（Findings of EMNLP 2025）
论文作者：Chuming Shen, Wei Wei*, Dong Wang, Zhonghao Wang
论文概述: 跨领域方面级情感分析（ABSA）旨在从源领域学习特定领域知识，以便用于在目标领域上的不同ABSA任务。近期相关工作主要侧重于利用领域自适应技术将领域无关特征从源域迁移至目标域。然而因为在特定领域（如银行、保险）隐式保护性高，很难直接收集大量带标记的目标域数据，导致已有跨域训练模式在低资源场景下很难在目标域取得较好性能。针对上述问题，我们提出了一种零样本（train-free）统一训练框架，用于在低资源场景下执行各种跨域ABSA任务，有效缓解了模型对目标域标记数据的依赖性。具体而言，ZeroABSA 由两个重要部分组成，即：(1) 基于大语言模型驱动的增强模块，其利用迭代优化方式通过迭代评估增强样本质量（如词汇丰富度、语义连贯性、情感/领域一致性等）来生成具有目标域特征数据；(2) 领域情景化思维链（COT），一种基于多阶段引导的结构化推理框架，其主要通过分析领域特征显示建模具有领域不变性的推理思维链，以缓解源域-目标域之间跨领域鸿沟。通过在四个不同领域数据集上广泛评估表明，ZeroABSA 超过了已有基线模型，并且该方法可扩展至目标领域数据不可用的极端场景，极大提升其在真实跨领域ABSA任务上的可用性。
图 1 ZeroABSA整体框架