基于跨模态注意力的多模态意见融合用于金融情感分析
机器学习
2025-12-04 v1
摘要
近年来，公众意见对金融市场的情感分析在市场预测和风险评估中变得越来越重要。然而，现有方法往往难以有效整合多样化的意见模态并捕捉它们之间的细粒度交互。本文提出了一种端到端的深度学习框架，通过一种专门为金融情感分析设计的新型跨模态注意力机制，整合两种不同的金融意见模态：近期性模态（及时意见）和流行度模态（趋势意见）。虽然两种模态都由文本数据组成，但它们代表了根本不同的信息通道：驱动市场的近期更新与驱动集体情感的流行度。我们的模型首先使用BERT（Chinese-wwm-ext）进行特征嵌入，然后采用我们提出的金融多头跨注意力（Financial Multi-Head Cross-Attention, FMHCA）结构来促进这些不同意见模态之间的信息交换。处理后的特征通过一个Transformer层进行优化，并使用多模态因子化双线性池化进行融合，分类为负面、中性和正面情感。在覆盖837家公司的综合数据集上的广泛实验表明，我们的方法实现了83.5%的准确率，显著优于BERT+Transformer基线21个百分点。这些结果凸显了我们框架在支持更准确的金融决策和风险管理方面的潜力。
引用
@article{arxiv.2512.03464,
title = {Multi-Modal Opinion Integration for Financial Sentiment Analysis using Cross-Modal Attention},
author = {Yujing Liu and Chen Yang},
journal= {arXiv preprint arXiv:2512.03464},
year = {2025}
}