Few-Shot Cross-Lingual Aspect-Based Sentiment Analysis with Sequence-to-Sequence Models

Abstract

Aspect-based sentiment analysis (ABSA) has received substantial attention in English, yet challenges remain for low-resource languages due to the scarcity of labelled data. Current cross-lingual ABSA approaches often rely on external translation tools and overlook the potential benefits of incorporating a small number of target language examples into training. In this paper, we evaluate the effect of adding few-shot target language examples to the training set across four ABSA tasks, six target languages, and two sequence-to-sequence models. We show that adding as few as ten target language examples significantly improves performance over zero-shot settings and achieves a similar effect to constrained decoding in reducing prediction errors. Furthermore, we demonstrate that combining 1,000 target language examples with English data can even surpass monolingual baselines. These findings offer practical insights for improving cross-lingual ABSA in low-resource and domain-specific settings, as obtaining ten high-quality annotated examples is both feasible and highly effective.Aspektově orientovaná analýza sentimentu (ABSA) se těší značné pozornosti v angličtině, přesto však u jazyků s omezenými zdroji zůstávají výzvy kvůli nedostatku anotovaných dat. Současné mezijazyčné přístupy k ABSA často spoléhají na externí překladové nástroje a přehlížejí potenciální přínosy začlenění malého počtu příkladů z cílového jazyka do tréninkové množiny. V tomto článku hodnotíme vliv přidání few-shot příkladů z cílového jazyka do tréninkové sady napříč čtyřmi ABSA úlohami, šesti cílovými jazyky a dvěma modely typu sequence-to-sequence. Ukazujeme, že přidání pouhých deseti příkladů z cílového jazyka významně zlepšuje výkon oproti zero-shot nastavení a dosahuje podobného efektu jako constrained decoding při snižování chyb predikce. Dále demonstrujeme, že kombinace 1 000 příkladů z cílového jazyka s anglickými daty může dokonce překonat jednojazyčné výsledky. Tato zjištění poskytují praktické poznatky pro zlepšení mezijazyčné ABSA v prostředích s omezenými zdroji a doménově specifických scénářích, protože získání deseti vysoce kvalitně anotovaných příkladů je jak proveditelné, tak vysoce efektivní.