LLM情感分析中的参考点：结构化上下文的作用
计算与语言
2025-08-18 v1 人工智能
摘要
大语言模型（LLM）现已广泛应用于许多领域，包括营销研究。情感分析尤其有助于企业理解消费者偏好。虽然大多数NLP研究仅从评论文本中分类情感，但营销理论（如前景理论和期望-不一致理论）指出，客户评价不仅受实际体验影响，还受额外参考点的影响。因此，本研究探讨了此类补充信息的内容和格式如何影响使用LLM进行情感分析。我们比较自然语言（NL）提示和JSON格式提示，使用适合实际营销应用的轻量级3B参数模型。在两个Yelp类别（餐厅和夜生活）上的实验表明，带有额外信息的JSON提示在所有无需微调的基线之上表现更优：Macro-F1分别提升1.6%和4%，RMSE分别降低16%和9.1%，使其可部署在资源受限的边缘设备上。此外，后续分析确认性能提升源于真正的上下文推理而非标签代理。这项工作表明，结构化提示可以使小型模型实现具有竞争力的性能，为大规模模型部署提供了一种实用的替代方案。
引用
@article{arxiv.2508.11454,
title = {Reference Points in LLM Sentiment Analysis: The Role of Structured Context},
author = {Junichiro Niimi},
journal= {arXiv preprint arXiv:2508.11454},
year = {2025}
}