CMHL：对抗性多头学习用于情感一致的文本分类
计算与语言
2026-03-17 v1 机器学习
摘要
文本情感分类（Textual Emotion Classification，TEC）是最困难的NLP任务之一。当前最先进方法依赖大型语言模型（Large language Models，LLMs）或多模型集成。在本研究中，我们挑战了“更大规模或更复杂的模型是获得更好性能的必要条件”这一假设。为提升逻辑一致性，我们引入CMHL（Contrastive Multi-Head Learning），一种新型单模型架构，通过三项关键创新显式建模情感的逻辑结构：（1）多任务学习，联合预测primary emotions、valence与intensity；（2）基于Russell圆形模型的心理学依据辅助监督；（3）一种新型对抗性矛盾损失，通过惩罚不兼容预测（如同时对快乐与愤怒保持高置信度）来强制情感一致性。该模型仅需1.25亿参数，便超越了56倍更大的LLMs和sLM集成，在dair-ai情感数据集上取得了93.75%的新SOTA F1分数（相较于86.13%至93.2%）。我们进一步在Reddit自杀观察和心理健康收藏数据集（SWMH）上展示了跨域泛化能力，相较于MentalBERT和MentalRoBERTa等领域专用模型，F1分数达72.50%（相较于68.16%至72.16%），召回率达73.30%（相较于67.05%至70.89%），显著提升了对心理健康症状的检测灵敏度。我们的工作表明，架构智能（而非参数规模）是推动TEC进程的关键。通过嵌入心理学先验和显式一致性约束，精心设计的单一模型可超越庞大的LLMs和复杂集成，为情感计算提供一种高效、可解释且临床相关的新范式。
引用
@article{arxiv.2603.14078,
title = {CMHL: Contrastive Multi-Head Learning for Emotionally Consistent Text Classification},
author = {Menna Elgabry and Ali Hamdi and Khaled Shaban},
journal= {arXiv preprint arXiv:2603.14078},
year = {2026}
}