金融領域的情感分析是自然語言處理（NLP）的重要應用，但傳統方法通常只給出積極或消極的標籤，卻無法揭示情感背後的具體原因。為了突破這一侷限，研究人員嘗試在分析情感的同時考慮投資者情緒，然而這仍然不足以清晰定位情感或情緒的目標。最新發表在arXiv上的一篇論文提出了一種實用方法：透過語義結構化的“觀點圖”來豐富現有的金融情感資料集。
該研究由Gaurav Negi和Paul Buitelaar共同完成，他們對StockEmotions資料集進行了增強。StockEmotions原本包含從StockTwits（一個面向投資者的微博平臺）收集的評論，並標註了情感和情緒類別。新方法為每條句子附加一個觀點圖，該圖以結構化形式表示句子中的意見持有者、意見目標以及意見本身。例如，一條評論“我認為蘋果股票會漲”會被解析為持有者“我”、目標“蘋果股票”和意見“會漲”。這樣的額外資訊使得模型不僅能檢測情感，還能理解情感指向的物件。
為了自動構建觀點圖，作者設計了一個宣告式LLM（大語言模型）流水線。該流水線利用預訓練語言模型從文本中提取三元組，並與現有的情感標籤結合。他們從StockTwits中收集了10,000條評論，每條評論都透過流水線生成了對應的觀點圖。整個流程無需複雜的規則或模板，具有很好的可擴充套件性。
在驗證階段，研究者將觀點圖作為特徵輸入到圖神經網路（GNN）中，並與僅使用原始情感標籤的基線模型進行比較。實驗表明，引入觀點語義後，模型在不同情緒類別上的分類準確率均有顯著提升。尤其是在區分相似情緒（如樂觀與興奮）時，觀點圖提供了關鍵的區分資訊。
這項工作的意義在於，它為金融NLP提供了一種精細化的分析工具。投資者、分析師和量化交易系統可以藉助這種基於觀點的情感分析，更深入地理解市場情緒背後的驅動力。未來，該方法還可以擴充套件到其他領域，如產品評論分析或社交媒體輿情監控。論文全文可在arXiv上獲取（編號：2605.03092），相關程式碼和資料預計將開放。