EMNLPOct, 2023

FinEntity: 金融文本的实体级情感分类

PDF
TL;DR我们介绍了一个名为 FinEntity 的实体级情感分类数据集，用于金融领域中指向特定金融实体的情感分析。我们在论文中记录了数据集构建过程，并在几个预训练模型（BERT、FinBERT 等）和 ChatGPT 上进行了实体级情感分类的基准测试。我们通过一个案例研究展示了使用 FinEntity 在监测加密货币市场中的实际应用价值。FinEntity 的数据和代码可在 https://github.com/yixuantt/FinEntity 获取。
entity-level sentiment analysisfinancial entitysentiment classificationdataset constructioncryptocurrency markets
发现论文，激发创造
  • SEntFiN 1.0：金融新闻情感分析中的实体感知

    本文探讨了在新闻标题中进行细粒度金融情感分析的任务和挑战，提出 SAEntFiN 1.0 数据集，并使用特征为基础的方法提取实体相关情感。使用 12 种不同的学习方案验证实验结果，RoBERTa 和 finBERT 的平均准确率和 F1 分数最高，同时使用 210,000 多个实体情感预测验证了情感对市场的影响。

    May, 2023

  • 基于大型语言模型的中国金融细粒度情感分析

    本文提出了一个针对金融领域的中文纤细粒度情感分析数据集，用于企业预警，并利用开源的大语言模型对其进行了全面评估和实验。

    Jun, 2023

  • FinBERT：使用预训练语言模型进行金融情感分析

    本文提出了一种名为 FinBERT 的基于 BERT 预训练语言模型，用于在金融领域处理自然语言处理任务，实验结果表明它在当前两个金融情感分析数据集上的表现优于现有的机器学习方法。

    Aug, 2019

  • 作者情感预测

    PerSenT 数据集包括了新闻文章中主要实体的情感分析，并提供了段落级别的情感注释以提供更精细的监督。该数据集的基准测试表明，这是一项困难的分类任务。该论文指出，使用 BERT 对文档级表示进行微调是不足够的，并且对整个文档进行段落级别的决策和聚合也是无效的。该数据集包含 5.3k 个文档和 38k 个段落，涵盖 3.2k 个独特的实体，是实体情感分析中的一个挑战。

    Nov, 2020

  • RuSentNE-2023: 评估针对俄语新闻文本的面向实体情感分析

    该论文描述了 RuSentNE-2023 评估，该评估致力于对俄罗斯新闻文本中的目标情感进行分析。使用丰富的情感相关注释的俄语新闻语料库 RuSentNE 作为数据集。使用 CodaLab 竞赛框架组织了评估。ChatGPT 在测试集上进行了测试，并获得了 60％的 F - 度量，这在零 - shot 应用中可以被认为是相当高的。

    May, 2023

  • FiNER: 金融命名实体识别数据集和弱监督模型

    本文介绍一种用于金融领域的命名实体识别 NER 任务的高质量数据集与一个基于弱监督的框架，用于跨度级分类并提供一套公共的基准数据集，以推动金融领域研究的发展。

    Feb, 2023

  • 金融情绪分析的预训练大型语言模型

    金融情感分析是将金融文本内容分类为情感类别（如积极、消极和中性）。本文聚焦于金融新闻标题的分类，通过利用预训练的大型语言模型以及监督微调技术，实现在少量训练样本情况下显著超越之前最先进的算法。

    Jan, 2024

  • FinBERT：金融通信预训练语言模型

    本文旨在满足金融领域中对预训练语言模型的需求，提出了一种基于大量金融通信语料库的金融领域特定 BERT 模型（FinBERT），在三个金融情感分类任务上的实验结果证明了 FinBERT 相比于一般领域的 BERT 模型具有优势。

    Jun, 2020

  • 联系中心电话对话中的实体级情感分析

    本文提出了一种基于 DistilBERT 模型完全的方法和一种卷积神经网络的方法，通过分析英语电话交谈转录本来进行实体级情感分析，以期提供商业见解。

    Oct, 2022

  • FiNER：用于 XBRL 标注的金融数字实体识别

    进行标记是费时且昂贵的，因此该研究引入了 XBRL 标记作为金融领域新的实体提取任务，并发布了 FiNER-139 数据集，其中包含 110 万句子和黄金 XBRL 标记。该研究表明，采用字母级别的词元分割会损害 BERT 的性能，而采用单词级别的 BILSTMs 的性能更佳。此外，该研究还提出了两种简单而有效的解决方案，以改善 BERT 的性能。最终，该研究通过数据和错误分析确定了潜在的限制，为未来的 XBRL 标记工作提供了启示。

    Mar, 2022