金融分野における感情分析は自然言語処理（NLP）の主要な応用法だが、従来の手法ではポジティブ・ネガティブのラベル付けに留まり、その感情が「なぜ」生じたのかという理由や対象を捉えることが難しかった。この問題に対処するため、これまでも投資家の感情を同時に分析する試みがあったが、感情のターゲットを明確にするには十分ではなかった。arXivで公開された最新の研究では、投資家向けマイクロブログから抽出した意見情報を構造化し、感情分析の粒度を大幅に向上させる実践的手法が提案されている。
研究を主導したGaurav Negi氏とPaul Buitelaar氏は、既存のStockEmotionsデータセットに「意見グラフ」と呼ばれる意味構造を追加した。StockEmotionsは投資家向けSNS「StockTwits」から収集されたコメントに感情・情緒ラベルを付与したものだが、本研究では各文に対して意見グラフを付与する。意見グラフは、文の中の「意見保持者」と「意見対象」および「意見内容」をトリプルとして表現する。例えば「私はアップルの株価が上がると考える」という文は、保持者「私」、対象「アップル株」、意見「上昇」として構造化される。この追加情報により、モデルは単なる感情値だけでなく、その感情が何に対して向けられているかを学習できるようになる。
意見グラフの自動生成には、宣言型LLM（大規模言語モデル）パイプラインが採用された。このパイプラインは事前学習済み言語モデルを活用し、文中から意見関連のトリプルを抽出する。StockTwitsから収集した10,000件のコメントに対してパイプラインを適用し、文ごとに意見グラフを生成した。複雑なルールやテンプレートを必要とせず、拡張性の高い手法である。
検証段階では、生成した意見グラフを特徴量としてグラフニューラルネットワーク（GNN）に入力し、従来の感情ラベルのみを用いたベースラインモデルと比較した。実験結果は、意見情報を導入することで、異なる感情カテゴリ（例えば楽観と興奮）の分類精度が有意に向上することを示した。特に、類似した情緒を区別する場面で意見グラフが有効に機能した。
本研究の貢献は、金融NLPに対してより精細な分析ツールを提供した点にある。投資家やアナリスト、定量取引システムは、意見ベースの感情分析を活用することで、市場感情の背後にある駆動要因をより深く理解できるようになる。今後は製品レビューやソーシャルメディアの世論分析など、他分野への応用も期待される。論文はarXiv（ID: 2605.03092）で全文が公開されており、関連コードやデータも順次公開予定である。