这篇文章还没有正式发出，只是罗列了大概内容。文章主要应用指示学习的思想，首先介绍下指示学习。指示学习是谷歌Deepmind的Quoc V.Le团队在2021年的一篇名为《Finetuned Language Models Are Zero-Shot Learners》文章中提出的思想。指示学习的目的是去挖掘语言模型本身具备的知识。Instruct是激发语言模型的理解能力，它通过给出更明显的指令，让模型去做出正确的行动。指示学习的优点是它经过多任务的微调后，也能够在其他任务上做zero-shot。
论文题目（Title）：InstructABSA: Instruction Learning for Aspect Based Sentiment Analysis
研究问题（Question）：ATE方面术语提取，ATSC方面术语情感分类，Joint Task联合任务
主要贡献（Contribution）：
1. 引入了指示性学习。
2. 参数量200M，相比于其他效果相当的模型参数量有了数量级的减少。
3. 评估性能时用了跨域评估，即用一个数据集进行训练，另一个不同的数据集进行测试，证明了跨域评估具有局限性。
研究思路（Idea）：通过给训练样本添加指示性的指令，让模型做出正确的判断。
研究方法（Method）：为每个训练样本引入了积极的、消极的和中性的例子，并为每个ABSA子任务指导调整模型(tk - instruction Base)，产生了显著的性能改进。
研究过程（Process）：
1.数据集（Dataset）：Sem Eval 2014 dataset
2.评估指标（Evaluation）：F1，accuracy
3.实验结果（Result）：
ATE:F1 laptops 4.37%
restaurants 7.31%
ATSC:acc laptops 2.16%
restaurants -0.57%
JT:F1 laptops 8.63%
restaurants 1.4%
总结（Conclusion）：大部分结果时优于其他的，只有一个略低，证明了指示学习的有效性。可以考虑应用，还有提示学习，后续可以参考使用。文中实验结果表明，Instruct1，Instruct2带来的结果有正向有反向，两者结合提升了总体效果，其中解释还未给出。