中国团队获多项佳绩 | SemEval 2026任务3回顾

ABSA（Aspect-Based Sentiment Analysis、基于方面的情感分析）是一种较细粒度的情感分析，能针对文本中某一实体的某一方面（Aspect），分析文本中所蕴含的情感倾向，例如针对某商品的价格、体积、或性能方面，分析商品描述中所蕴含的情感倾向，分析的结果一般是针对目标实体的目标方面的情感分类，例如正面/负面/中性的分类。

心理学和情感科学（Affective Science）中经常采用（Valence，Arousal）二维数值来表示情感：

• Valence维度表示情感的负面或正面的倾向性，两个极端分别是极端负面和极端正面；
• Arousal维度表示情感的强烈程度，两个极端分别是极为平静、疲倦和极为兴奋、紧张。

Valence-Arousal二维空间示意图[1]

将Valence-Arousal情感表示方法与经典的ABSA情感分析相结合，使得ABSA情感分析的结果从离散型的情感分类，转变为连续型的、含义更加丰富、细致的（Valence，Arousal）二维数值，这就是近年来出现的Dimensional ABSA（维度ABSA）的主要思路。

SemEval 2026竞赛中的任务3（Task 3）正是围绕Dimensional ABSA这一主题，由全球多所大学与研究机构的研究人员共同组织的一次竞赛。该任务3吸引了全球20多个国家的超过400名参与者，44个团队最终提交了参赛结果。来自中国的多个团队在该任务的多个赛道、多个子任务的比拼中获得了多项优异成绩，其中包括多项第一名和第二名[1]。

SemEval 2026的任务3设立了两个赛道：赛道A（Track A）和赛道B（Track B）。

赛道A

赛道A（Track A）下设了三个子任务（Subtasks、简称ST）。参赛团队可任选一个或多个子任务参与。

子任务1（Subtask 1、简称ST1）要求针对给出的语句、以及给出的一个或多个目标方面（Aspect），预测每个目标方面的（Valence，Arousal）二维数值。

子任务2（Subtask 2、简称ST2）要求针对给出的语句：

• 提取句中所有涉及方面（Aspect）的词语（例如：服务、屏幕、盈利）、以及句中涉及相关方面的情感用语（例如：非常好、极差、有点慢），
• 预测提取出的各方面（Aspect）的（Valence，Arousal）二维数值。

子任务3（Subtask 3、简称ST3）要求针对给出的语句：

• 提取句中所有涉及方面（Aspect）的词语（例如：服务、屏幕、盈利），
• 为提取出的各方面的词语进行分类（分类体系已预先设定，分类的格式为：实体#属性，例如：食品#质量、服务#综合），
• 提取句中涉及各方面的情感用语（例如：非常好、极差、有点慢），
• 预测句中各方面的（Valence，Arousal）二维数值。

赛道A的数据集涵盖中、英、日、俄等六个语种，以及金融、餐厅、酒店、笔记本电脑四个领域。下图是赛道A数据集的英语-餐厅领域的数据示例[2]，其中，ST表示子任务（Subtask），下划线标出的是目标方面（Aspect）。

赛道B

赛道B（Track B）的设立旨在将Dimensional ABSA的应用场景从分析消费者评价，扩展到分析政治、能源、气候等公共话题的讨论。

具体而言，赛道B旨在将分析价格、服务等方面（Aspect）的方法，沿用于分析政治、能源、气候、交通、教育、社会等公共话题讨论中的“立场”（Stance），要求针对给出的一段文本、以及给出的一个或多个目标立场，预测每个目标立场的（Valence，Arousal）二维数值。

赛道B的数据集涵盖中、英、德等五个语种，以及环境保护和政治两个领域。下图是赛道B数据集中的数据示例[3]，其中，高亮背景部分为目标立场（Stance），V#A是Valence#Arousal的缩写。

参赛系统分析

以下几张统计图展示了对任务3两个赛道参赛系统的统计分析。

按模型架构类型统计的参赛系统数量和占比分布

参赛系统中采用较多的LLM、以及两个赛道中各有多少参赛系统采用了这些LLM

按模型训练方法统计的参赛系统数量和占比分布

按模型微调策略统计的参赛系统数量和占比分布

按提示语策略统计的参赛系统数量和占比分布

参考文献

以下参考文献的使用许可协议均为CC BY 4.0。

https://creativecommons.org/licenses/by/4.0/

[1] SemEval-2026 Task 3: Dimensional Aspect-Based Sentiment Analysis (DimABSA)

https://arxiv.org/abs/2604.07066

[2] DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysis

https://arxiv.org/abs/2601.23022

[3] DimStance: Multilingual Datasets for Dimensional Stance Analysis

https://arxiv.org/abs/2601.21483