面向Sinhala、English及代码混合内容的多语言情感分析可解释性提升

情感分析在银行行业品牌声誉管理中至关重要，客户反馈涵盖English、Sinhala、Singlish及代码混合文本。现有模型在低资源语言如Sinhala方面难题且缺乏可解释性。本研究开发混合方面情感分析框架，提升多语言能力并提供可解释输出。使用清洗后的银行客户评论，我们对XLM-RoBERTa进行微调以适配Sinhala和代码混合文本，对英文采用BERT-base-uncased。系统以置信度评分分类情感(positive, neutral, negative)，通过SHAP和LIME提供实时情感解释。实验结果显示，我们的方法优于传统基于transformer的分类器，在English中达到92.3%准确率和0.89的F1分数，在Sinhala和代码混合内容中达到88.4%。可解释性分析揭示情感驱动因素，提升信任与透明度。用户友好的界面提供方面情感洞察，确保业务可访问性。本研究通过填补多语言、低资源NLP及可解释性领域的空白，为金融应用构建稳健、透明的情感分析系统。