金融新闻情感分析中嵌入表示的对比评估

金融情感分析有助于市场理解。然而，标准自然语言处理（NLP）方法在应用于小数据集时面临重大挑战。本研究对资源受限环境下的金融新闻情感分类中基于嵌入的技术进行了对比评估。Word2Vec、GloVe 和句子转换器表示与梯度提升相结合，在手动标注的 349 条金融新闻标题数据集上进行评估。实验结果揭示了验证集与测试集性能之间的显著差距。尽管验证指标强劲，模型的表现却不如简单基线。分析表明，预训练嵌入在低于临界数据充分性阈值时收益递减。小验证集导致模型选择期间的过拟合。通过每周情感聚合和叙事摘要说明了实际应用，用于市场监控。总体而言，研究结果表明嵌入质量本身无法解决情感分类中的根本数据稀缺问题。数据有限的从业者应考虑替代策略，包括少样本学习、数据增强或词典增强的混合方法。