SentimentGPT:利用GPT进行先进情感分析及其与当前机器学习的分野
计算与语言
2023-07-25 v2 人工智能
机器学习
社会与信息网络
摘要
本研究对多种生成式预训练Transformer(GPT)方法在情感分析中的表现进行了细致考察,具体针对SemEval 2017数据集的Task 4。采用三种主要策略:1)使用先进GPT-3.5 Turbo的提示工程,2)微调GPT模型,3)一种创新的嵌入分类方法。研究给出了这些策略与各GPT模型间的详细对比洞见,揭示了其独特优势与潜在局限。此外,本研究将这些基于GPT的方法与此前用于同一数据集的其他当前高性能模型比较。结果显示GPT方法在预测性能上显著占优,相较最先进水平F1-score提升超22%。进而,论文阐明了情感分析任务中的常见挑战,如理解上下文与检测讽刺。其强调了GPT模型有效应对这些复杂性的增强能力。综上,这些发现凸显了GPT模型在情感分析中的可观潜力,为该领域未来研究奠基。代码见https://github.com/DSAatUSU/SentimentGPT
引用
@article{arxiv.2307.10234,
title = {SentimentGPT: Exploiting GPT for Advanced Sentiment Analysis and its Departure from Current Machine Learning},
author = {Kiana Kheiri and Hamid Karimi},
journal= {arXiv preprint arXiv:2307.10234},
year = {2023}
}