超越情感分類：一種用於文本情感強度評估的生成框架

在自然語言處理（NLP）領域，情感分析通常依賴於將文本劃分為積極、消極或中性等離散類別。然而，這種方法在需要精確衡量情感程度的場景中顯得力不從心，尤其是金融領域，情緒強度的細微變化可能對市場走向產生重大影響。近日，研究人員在arXiv上提交了一篇題為《超越情感分類：一種用於文本情感強度評估的生成框架》的論文，提出了一種全新的情感建模方法，將焦點從情感識別轉向情感強度評估。

該研究由Francesco A. Fabozzi等人領導，他們構建了一個情感強度分數資料集，並利用開放權重的生成語言模型（如LLaMA等）進行微調，使其能夠輸出0到100之間的連續值。這種連續輸出不僅比傳統的分類基線更具表現力，還展現出令人驚訝的泛化能力，能夠遷移到情感和喚醒水平等相關概念上。實驗結果表明，該框架在多個任務上優於離散分類方法，尤其適用於金融領域，其中情緒的程度比類別更能影響決策。

論文還詳細介紹了資料集構建過程，包括從金融新聞、社交媒體等來源收集文本，並由標註人員為每段文本分配一個0-100的情感強度分數。微調過程使用了LoRA等引數高效微調技術，以確保模型的適應性和效率。研究團隊發現，該模型不僅能準確評估已見的情感強度，還能對未見過的文本進行合理評分，顯示出較強的遷移學習能力。

這項工作的意義在於，它推動了NLP的跨學科重構，將情感分析從簡單的分類問題提升為更精細的評估問題。對於金融從業者而言，這種框架可以直接用於市場情緒分析、風險評估和投資決策支援。此外，由於採用開放權重的模型，該框架具有較好的可訪問性和可複製性，有助於學術界和工業界的進一步研究。

總之，這項研究為情感分析領域提供了一種新的正規化，有望在多個應用場景中取代傳統的分類方法，特別是在需要量化情感強度的領域。