SOUL: 语言情感和观点理解之路

EMNLPOct, 2023

SOUL: Towards Sentiment and Opinion Understanding of Language

Yue Deng, Wenxuan Zhang, Sinno Jialin Pan, Lidong Bing

TL;DR情感分析是一项成熟的自然语言处理任务，其中情感极性分类是最受欢迎和代表性的任务之一。然而，尽管在这个领域预训练的语言模型取得了成功，但它们往往无法完全捕捉情感分析的更广泛复杂性。为了解决这个问题，我们提出了一项名为 SOUL 的新任务。SOUL 通过两个子任务 —— 评论理解和理由生成，旨在评估情感理解能力。评论理解旨在验证基于评论文本的主观信息的陈述，而理由生成要求模型为其情感预测提供解释。通过标注一个包含 15,028 个陈述的新数据集，综合评估的结果显示，SOUL 对于小型和大型语言模型而言都是一项具有挑战性的任务，性能差距高达 27%。此外，与人类专家和 GPT-4 进行的评估凸显了小型语言模型在生成基于推理的理由方面的局限性。这些发现突显了现有模型在 SOUL 任务上的挑战性质，强调了在情感分析中进一步提升以应对其复杂性的需求。新数据集和代码可在此 URL 上获得。

Abstract

sentiment analysis is a well-established natural language processing task, with sentiment polarity classification being one of its most popular and representative tasks. However, despite the success of pre-trained language models in this area, they often fall short of capturing the bro

sentiment analysis pre-trained language models sentiment and opinion understanding of language review comprehension justification generation

发现论文，激发创造

大语言模型时代的情感分析：现实检验

本文讨论了大型语言模型在情感分析任务中的有效性，对 13 项不同的任务进行了评估，在简单任务中表现良好，但在涉及更深层次理解和结构化情感信息方面仍有待提高；然而，在资源有限的情况下，大型语言模型表现出色，提供了潜在可能性。该研究提出了一个新的基准评估框架 SentiEval。

May, 2023

美国：通用情感分析模型与日语情感文本分类及词性数据集的构建

利用互动增强效应以提高普通情感分析模型性能

Sep, 2023

乌尔都语音与文本情感分析器

本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。

Jul, 2022

情感分析问题尚未解决！评估和探究情感分类

本文提出使用神经网络方法进行情感分析，从而有效解决相关问题，同时提供了一个数据集用于挑战现有的情感分类器在处理逻辑和语言现象方面的表现。

Jun, 2019

电子商务网站的情感分析和意见挖掘

本研究的目标是解决情感极性分类方面的挑战，提出了一种广泛的技术用于分类情感，进行了完整的过程说明，同时进行了句子级别的分类和评论级别的分类，最后讨论了未来情感分析研究的计划。

Nov, 2022

情感 / 意见分析反思

本文探讨了心理学 / 认知科学和情感 / 观点分析文献中计算方法的联系，着重研究意见持有者的潜在需求和目标，提出了实用主义情感模型的基础，展望了未来研究方向。

Jul, 2015

多源社交媒体情感分析的比较研究

本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

Dec, 2022

大型语言模型与以文本为中心的多模态情感分析：调查

与传统情感分析相比，多模态情感分析需要同时考虑来自多模态源的情感信号，它更符合人类在现实场景中处理情感的方式。本文综述了近期文本为中心的多模态情感分析任务中的研究，审视了大型语言模型在文本为中心的多模态情感分析中的潜力、方法、优势和局限性，总结了基于大型语言模型的多模态情感分析技术的应用场景，并探讨了未来多模态情感分析的挑战和潜在研究方向。

Jun, 2024

Twitter 上跨语言情感分类的简单方法

本文提出了一种简单易用的多语言情感分析框架，旨在作为情感分析测试基线和构建新情感分析系统的起点。该框架经过在 8 种不同语言的比较中，在其中三种语言的国际竞赛中名列前茅，在其他语言中也超越了报告的结果。

Dec, 2016

UniSA: 统一情感分析的生成框架

通过引入任务特定提示方法和多模态生成框架 UniSA，我们提出了一种统一所有情感分析子任务的方法，并将主要子任务的基准数据集整理成了新的情感分析评估基准 SAEval。我们设计了新颖的预训练任务和训练方法，使模型能够在不同子任务中学习一般性的情感知识，从而提高模型的多模态情感感知能力。实验结果表明，UniSA 在所有子任务上表现出与最先进方法相当的性能，并在情感分析的各种子任务中具有很好的泛化能力。

Sep, 2023