金融情感分析：从 Transformer 回归可解释词典 (XLex)
摘要
金融领域基于词典的情感分析 (SA) 利用由人类专家创建的专门的手工标注词典，从金融文本中提取情感。尽管基于词典的方法实现简单、在文本数据上运行快速，但它们需要大量人工标注工作来创建、维护和更新词典。这些方法也被认为劣于基于深度学习的方法，例如 transformer 模型，后者凭借其卓越的性能已在各类 NLP 任务中占据主导地位。然而，transformer 在训练和测试阶段都需要大量数据和计算资源。此外，它们涉及显著的预测时间，使其不适用于实时生产环境或处理能力受限的系统。在本文中，我们引入了一种名为可解释词典 (eXplainable Lexicons, XLex) 的新方法，它结合了基于词典的方法与 transformer 模型的优点。我们提出了一种利用 transformer 和 SHapley Additive exPlanations (SHAP) 可解释性来学习金融词典的方法。我们的研究提出了四个主要贡献。首先，我们证明了 transformer 辅助的可解释词典能够增强基准 Loughran-McDonald (LM) 词典的词汇覆盖率，减少在标注、维护和更新词典方面的人工参与。其次，我们表明所得词典在金融数据集的 SA 中优于标准 LM 词典。第三，我们说明基于词典的方法在模型速度和规模方面显著优于 transformer。最后，XLex 方法本质上比 transformer 模型更具可解释性，因为词典模型依赖于预定义规则，从而能更好地洞察 SA 的结果，并使 XLex 方法成为金融决策的可行工具。
引用
@article{arxiv.2306.03997,
title = {Sentiment Analysis in Finance: From Transformers Back to eXplainable Lexicons (XLex)},
author = {Maryan Rizinski and Hristijan Peshov and Kostadin Mishev and Milos Jovanovik and Dimitar Trajanov},
journal= {arXiv preprint arXiv:2306.03997},
year = {2025}
}
备注
Published by IEEE Access DOI: 10.1109/ACCESS.2024.3349970 Link: https://ieeexplore.ieee.org/document/10380556