EmoLLMs：面向综合情感分析的情感大语言模型与标注工具系列
计算与语言
2024-08-27 v2
摘要
情感分析和情绪检测是自然语言处理（NLP）中的重要研究课题，并有益于许多下游任务。随着LLM的广泛应用，研究人员开始探索基于指令微调的LLM在情感分析领域的应用。然而，这些模型只关注情感分类任务的单一层面（例如情感极性或分类情绪），而忽略了回归任务（例如情感强度或情绪强度），导致在下游任务中表现不佳。主要原因是缺乏涵盖各种情感分类和回归任务的综合情感指令微调数据集和评估基准。此外，尽管情感信息对下游任务有用，但现有的下游数据集缺乏高质量和全面的情感标注。在本文中，我们提出了EmoLLMs，这是首个基于指令数据微调各种LLM的开源指令跟随LLM系列，用于综合情感分析；首个多任务情感分析指令数据集（AAID），包含234K个数据样本，基于各种分类和回归任务以支持LLM指令微调；以及一个综合情感评估基准（AEB），包含来自不同来源和领域的14个任务，以测试LLM的泛化能力。我们通过使用AAID微调LLM提出了一系列EmoLLMs，以解决各种情感指令任务。我们在AEB上将我们的模型与多种LLM进行了比较，我们的模型在所有其他开源LLM中表现最佳，并在大多数任务上超越了ChatGPT和GPT-4，这表明EmoLLMs系列在情感分析任务上达到了ChatGPT级别和GPT-4级别的泛化能力，并证明了我们的模型可以用作情感标注工具。
引用
@article{arxiv.2401.08508,
title = {EmoLLMs: A Series of Emotional Large Language Models and Annotation Tools for Comprehensive Affective Analysis},
author = {Zhiwei Liu and Kailai Yang and Tianlin Zhang and Qianqian Xie and Sophia Ananiadou},
journal= {arXiv preprint arXiv:2401.08508},
year = {2024}
}
备注
Accepted by KDD 2024