面向方面类别情感分析的情绪增强多任务学习框架（基于大语言模型）
计算与语言
2025-11-25 v1
摘要
方面类别情感分析（ACSA）借助大语言模型（LLM）取得了显著进展，然而现有方法主要关注情感极性，而忽略了塑造情感表达的潜在情绪维度。这一局限阻碍了模型捕捉面向特定方面的细粒度情感信号的能力。为解决这一局限，我们提出了一种新颖的情绪增强多任务 ACSA 框架，联合学习情感极性与基于艾克曼六种基本情绪的类别特定情绪。利用 LLM 的生成能力，我们的方法能够为每个方面类别生成情绪描述，从而以情感表达丰富情感表示。此外，为确保生成情绪的准确性与一致性，我们引入了基于效价-唤醒-控制（VAD）维度框架的情绪精化机制。具体而言，LLM 预测的情绪被投影到 VAD 空间中，与相应 VAD 坐标不一致的情绪通过结构化的基于 LLM 的精化策略重新标注。实验结果表明，我们的方法在所有基准数据集上显著优于强基线。这强调了将情感维度整合到 ACSA 中的有效性。
引用
@article{arxiv.2511.19122,
title = {Emotion-Enhanced Multi-Task Learning with LLMs for Aspect Category Sentiment Analysis},
author = {Yaping Chai and Haoran Xie and Joe S. Qin},
journal= {arXiv preprint arXiv:2511.19122},
year = {2025}
}
备注
8 pages, 4 figures