用于情感感知金融关系抽取的可插拔多任务学习框架
计算与语言
2025-06-17 v1 人工智能
摘要
关系抽取（RE）旨在从给定实体对中提取文本中的语义关系，并已取得显著进展。然而，在不同领域中，RE 任务会受到多种因素的影响。例如，在金融领域，情感可以影响 RE 结果，但这一因素被现代 RE 模型所忽视。为弥补这一空白，本文提出情感感知的 SDP 增强模块（SSDP-SEM），一种用于增强金融 RE 的多任务学习方法。具体而言，SSDP-SEM 将 RE 模型与一个可插拔的辅助情感感知（ASP）任务集成，使 RE 模型能够同时利用文本情感的注意力权重。我们首先通过情感模型生成细粒度的情感标记，并将这些标记插入到实例中。然后，ASP 任务通过预测情感标记位置来捕捉微妙的情感信息，结合情感洞察与句法信息的最短依赖路径（SDP）。此外，本工作采用情感注意力信息瓶颈正则化方法来调节推理过程。我们的实验将该辅助任务与多种主流框架集成，结果表明大多数先前模型均从辅助任务中受益，从而取得了更好的结果。这些发现强调了在金融 RE 任务中有效利用情感信息的重要性。
引用
@article{arxiv.2506.12452,
title = {A Pluggable Multi-Task Learning Framework for Sentiment-Aware Financial Relation Extraction},
author = {Jinming Luo and Hailin Wang},
journal= {arXiv preprint arXiv:2506.12452},
year = {2025}
}