基于情境指令的多精炼特征增强情感分析
计算与语言
2025-11-05 v2 机器学习
摘要
情感分析由于能够捕获丰富语境表示，正在深度学习和预训练语言模型（PLM）中获得显著关注。然而，现有方法在涉及细腻情感线索、领域迁移和不平衡情感分布的场景下常表现不佳。我们认为这些限制源于语义 grounding 不足、对多样化语言模式的泛化能力差以及对占主导地位的情感类别偏倚。为克服这些挑战，我们提出了CISEA-MRFE（Contextual Instruction, Semantic Enhancement Augmentation, Multi-Refined Feature Extraction），一个集成情境指令（CI）、语义增强数据增强（SEA）和多精炼特征提取（MRFE）的新型PLM框架。CI注入领域感知指令以指导情感消歧；SEA通过情感一致的改写式数据增强提升鲁棒性；MRFE结合Scale-Adaptive Depthwise Encoder（SADE）进行多尺度特征专化，以及Emotion Evaluator Context Encoder（EECE）进行情感感知序列建模。在四个基准数据集上的实验结果表明，CISEA-MRFE在IMDb上提升最高可达4.6%，Yelp上提升6.5%，Twitter上提升30.3%，Amazon上提升4.1%，稳定优于强基准，验证了该方法在跨领域情感分类中的有效性和泛化能力。
引用
@article{arxiv.2511.00537,
title = {Multi-refined Feature Enhanced Sentiment Analysis Using Contextual Instruction},
author = {Peter Atandoh and Jie Zou and Weikang Guo and Jiwei Wei and Zheng Wang},
journal= {arXiv preprint arXiv:2511.00537},
year = {2025}
}