QANA: LLM-based Question Generation and Network Analysis for Zero-shot Key Point Analysis and Beyond

社交媒体的大量使用导致了信息过载和对意见挖掘的增加兴趣。我们提出了一种新颖的意见挖掘框架“Question-Answering Network Analysis”（QANA），利用大型语言模型（LLMs）从用户评论中生成问题，基于评论对问题的可回答性构建二分图，并应用中心性度量来检查意见的重要性。我们通过将其与注释的关键点分析数据集进行比较，研究了问题生成风格、LLM选择和嵌入模型选择对构建QA网络质量的影响。QANA以零-shot的方式实现了与以前最先进的监督模型相当的性能，同时将计算成本从二次降低到线性。对于关键点生成，PageRank或度中心性较高的问题与手动注释的关键点相匹配得较好。值得注意的是，QANA使分析人员能够根据他们选择的中心性度量从各个方面评估关键点的重要性。QANA的主要贡献在于其灵活性，可以从广泛的角度提取关键点，从而提高了意见挖掘的质量和公正性。

本论文旨在解决社交媒体信息过载和情感分析的问题，提出了一种基于大型语言模型的问答网络分析（QANA）框架，用于提取关键观点。

QANA框架利用大型语言模型生成用户评论的问题，构建基于问题可回答性的二分图，并应用中心性度量来检查观点的重要性。QANA具有灵活性，可以从多个角度提取关键观点，增强了情感分析的质量和公正性。

论文通过比较与注释的关键点分析数据集，证明了QANA在零样本情况下实现了与之前监督模型相当的性能，并将计算成本从二次降低到线性。此外，QANA的中心性度量方法可以从多个方面评估关键点的重要性。实验使用了多个数据集，并进行了详细的分析和讨论。

最近的相关研究包括：'Key Point Analysis for Opinion Mining: A Review and Comparative Analysis of Existing Methods'，'Deep Learning for Opinion Mining: A Survey'，'A Review of Opinion Mining Techniques and Tools'等。