EmoGRACE：社交媒体数据的基于方面情感分析
计算与语言
2026-02-26 v2
摘要
尽管情感分析已从句子层面发展到方面层面，即识别与情感相关的具体术语，但基于方面情感分析（ABEA）这一同等领域面临数据集瓶颈以及情感类别相对于二元情感而言的复杂性增加的问题。本文通过构建第一个ABEA训练数据集（包含2621条英文推文），并对ABEA子任务中的方面术语抽取（ATE）和方面情感分类（AEC）进行BERT模型微调，来解决上述问题。数据集标注基于Shaver等人[1]的层次情感理论，采用分组标注和多数投票策略以促进标签一致性。最终数据集包含Anger、Sadness、Happiness、Fear以及None类等方面情感标签。使用新构建的ABEA训练数据集，对最新ABSA模型GRACE（Luo等[2]）进行ABEA微调。实验结果显示，ATE的F1分数达到70.1%，联合ATE和AEC抽取为46.9%。我们广泛识别出模型性能受限的因素包括小规模训练数据集大小以及任务复杂性增加，导致模型过拟合且在新数据上的泛化能力受限。
引用
@article{arxiv.2503.15133,
title = {EmoGRACE: Aspect-based emotion analysis for social media data},
author = {Christina Zorenböhmer and Sebastian Schmidt and Bernd Resch},
journal= {arXiv preprint arXiv:2503.15133},
year = {2026}
}