SILC-EFSA：面向实体级金融情感分析的自我感知式情境学习纠正
计算与语言
2024-12-30 v1 人工智能
计算工程、金融与科学
摘要
近年来，金融领域的细粒度情感分析受到广泛关注，但稀缺的实体级数据集仍是关键挑战。为此，我们构建了目前为止最大规模的英文和中文金融实体级情感分析数据集。基于此基础，我们提出一种新颖的两阶段情感分析方法，称为自我感知式情境学习纠正 (Self-aware In-context Learning Correction, SILC)。第一阶段 involves fine-tuning base 大语言模型以生成针对我们任务的伪标记数据。第二阶段我们使用基于图神经网络的示例检索器训练纠正模型，该检索器受到伪标记数据的启发。这种两阶段策略使我们在新构建的数据集上实现了最先进的性能，推动了金融情感分析领域的发展。在案例研究中，我们展示了我们数据和方法在监控加密货币市场方面的增强实际效用。我们的数据集和代码已发布于 https://github.com/NLP-Bin/SILC-EFSA。
引用
@article{arxiv.2412.19140,
title = {SILC-EFSA: Self-aware In-context Learning Correction for Entity-level Financial Sentiment Analysis},
author = {Senbin Zhu and Chenyuan He and Hongde Liu and Pengcheng Dong and Hanjie Zhao and Yuchen Yan and Yuxiang Jia and Hongying Zan and Min Peng},
journal= {arXiv preprint arXiv:2412.19140},
year = {2024}
}
备注
This paper is to be published in the Proceedings of the 31st International Conference on Computational Linguistics (COLING 2025)