基于数据平衡与模型改进的多标签情感分类性能提升
计算与语言
2026-03-31 v3
摘要
多标签情感分类在自然语言处理中发挥着重要作用，通过检测单篇文本中的多种情感。然而，现有数据集如GoEmotions常常存在严重的类别不平衡，这会损害模型性能，尤其是对 underrepresented 情感类别。为此，我们通过整合原始GoEmotions数据、使用RoBERTa-base-GoEmotions模型标注的Sentiment140情感样本，以及由GPT-4 mini人工标注的文本，构建了一个在28个情感类别上均衡的多标签情感数据集。我们的数据平衡策略确保了跨28个情感类别的均匀分布。基于该数据集，我们开发了一个增强型多标签分类模型，融合了预训练的FastText嵌入、卷积层用于局部特征提取、双向LSTM用于上下文学习，以及注意力机制以突出情感相关词汇。经过sigmoid激活的输出层实现多标签预测，混合精度训练提高了计算效率。实验结果表明，与在不平衡数据上训练的模型相比，我们的方法在准确率、精确率、召回率、F1分数和AUC方面均取得显著提升，凸显了该方法的有效性。
引用
@article{arxiv.2511.14073,
title = {Based on Data Balancing and Model Improvement for Multi-Label Sentiment Classification Performance Enhancement},
author = {Zijin Su and Huanzhu Lyu and Yuren Niu and Yiming Liu},
journal= {arXiv preprint arXiv:2511.14073},
year = {2026}
}
备注
9 pages, updated methodology and evaluation, added audit summary, label-cardinality and per-label count analyses, clarified splits and threshold tuning, added DistilRoBERTa baseline comparison. Updated figures, tables, references, and data-availability statement