Jul, 2024

使用大型语言模型对立陶宛在线评论进行情感分析

HTML
PDF
TL;DR本研究针对立陶宛在线评论的情感分析问题，填补了当前对这一语言的研究空白。我们首次应用了预训练的多语言大型语言模型（LLMs），特别关注于微调BERT和T5模型，取得了显著的识别准确率。该研究的结果表明，微调后的模型在情感不模糊的情况下表现优异，并超越了目前最先进的商业模型GPT-4。
发现论文，激发创造
  • 多语言情感分析：一种基于循环神经网络的有限数据框架

    该研究旨在解决情感分析在不同语言中的多种语言依赖性问题，通过使用递归神经网络训练英文评论以建立一个主要用于英语的情感分析模型，并在俄语、西班牙语、土耳其语和荷兰语等其他语言中重复使用此模型来评估情绪，结果表明该方法在多语言情感分析中表现出色。

    Jun, 2018

  • 利用多语言 Transformer 和自动翻译增强数据的非英文推文情感分析改进

    本文提出利用多语言Transformer模型，通过使用自动翻译进行数据增强，来适应非英语语言中的小型推特语料库，以提高转换器的效果。

    Oct, 2020

  • XLM-T：用于社交媒体情感分析等多语言语言模型在Twitter中的应用

    本文介绍了XLM-T模型，用于在Twitter中训练和评估多语言语言模型，并提供了新的强大的多语言模型基线和一组统一的不同语言的情感分析Twitter数据集和针对它们进行的XLM-T模型微调。

    Apr, 2021

  • 大规模多语言情感分类器评估

    研究评估11种模型在27种语言中进行情感分析任务。

    Apr, 2022

  • 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

  • 大型语言模型在目标情感分析中的应用

    本文研究使用基于解码器的生成式Transformer来提取对俄罗斯新闻文章中的命名实体的情感分析能力，通过对RuSentNE-2023数据集进行实验，发现在无监督和有监督转换器中，零-shot方法的结果与以BERT-base为基线的有监督转换器相似，而经过THoR理论的Fine-tuned Flan-T5模型在推理能力上实现了至少5%的增长，并以Fine-tuned Flan-T5-xl取得了在RuSentNE-2023情感分析中超过先前基于Transformer的分类器的最佳结果。

    Apr, 2024

  • 跨语言情感分析：机器翻译英语前后的评估

    本文研究了跨多语言数据集及经过机器翻译的文本中，变压器模型在情感分析任务中的表现，并通过比较这些模型在不同语言环境中的效果，洞察其性能变化对情感分析跨多种语言的潜在影响，同时还探讨了其缺点及未来研究的潜在方向。

    May, 2024

  • 大语言模型时代的跨语言情感分析模型竞技场：一项比较研究

    在跨语言情感分析领域，公共的小型多语言语言模型在零样本跨语言性能上优于大型通用语言模型，但在少样本跨语言设置中，公共的大型通用语言模型展现出更高的适应潜力。

    Jun, 2024

  • 推特/X情感分析中的多语言模型微调研究：针对东欧V4语言

    本研究针对在推特/X数据中应用的基于方面的情感分析（ABSA），解决了小语种情感分类的不足问题。通过微调多种大型语言模型，发现部分模型在多语言推特任务中的微调表现优越，可以在较小的训练集上达到最新的技术水平。研究结果揭示了最佳设置的组合，可能对小语种情感分析领域产生重要影响。

    Aug, 2024

  • 大型语言模型是否对情感敏感？

    本文研究了大型语言模型（LLMs）对文本情感的检测和反应能力，填补了对其情感处理能力的评估缺口。通过一系列实验，发现LLMs在情感识别中存在一定敏感性，但准确性和一致性有显著差异，提示需改进其训练流程，以更好捕捉细微的情感线索。

    Sep, 2024