金融领域的情感分析是自然语言处理（NLP）的重要应用，但传统方法通常只给出积极或消极的标签，却无法揭示情感背后的具体原因。为了突破这一局限，研究人员尝试在分析情感的同时考虑投资者情绪，然而这仍然不足以清晰定位情感或情绪的目标。最新发表在arXiv上的一篇论文提出了一种实用方法：通过语义结构化的“观点图”来丰富现有的金融情感数据集。
该研究由Gaurav Negi和Paul Buitelaar共同完成，他们对StockEmotions数据集进行了增强。StockEmotions原本包含从StockTwits（一个面向投资者的微博平台）收集的评论，并标注了情感和情绪类别。新方法为每条句子附加一个观点图，该图以结构化形式表示句子中的意见持有者、意见目标以及意见本身。例如，一条评论“我认为苹果股票会涨”会被解析为持有者“我”、目标“苹果股票”和意见“会涨”。这样的额外信息使得模型不仅能检测情感，还能理解情感指向的对象。
为了自动构建观点图，作者设计了一个声明式LLM（大语言模型）流水线。该流水线利用预训练语言模型从文本中提取三元组，并与现有的情感标签结合。他们从StockTwits中收集了10,000条评论，每条评论都通过流水线生成了对应的观点图。整个流程无需复杂的规则或模板，具有很好的可扩展性。
在验证阶段，研究者将观点图作为特征输入到图神经网络（GNN）中，并与仅使用原始情感标签的基线模型进行比较。实验表明，引入观点语义后，模型在不同情绪类别上的分类准确率均有显著提升。尤其是在区分相似情绪（如乐观与兴奋）时，观点图提供了关键的区分信息。
这项工作的意义在于，它为金融NLP提供了一种精细化的分析工具。投资者、分析师和量化交易系统可以借助这种基于观点的情感分析，更深入地理解市场情绪背后的驱动力。未来，该方法还可以扩展到其他领域，如产品评论分析或社交媒体舆情监控。论文全文可在arXiv上获取（编号：2605.03092），相关代码和数据预计将开放。