2025年“情感分析+LLM”最新创新点全面汇总！-优快云博客

本文链接：https://blog.youkuaiyun.com/Python_cocola/article/details/149454023

“情感分析+LLM”，是当前的大热门，备受顶会审稿人青睐，中稿率UP！

把这两者结合，能够充分利用LLM的语义理解能力、预训练知识和端到端建模能力，解决传统情感分析的局限性，提升模型的性能和鲁棒性。在实际应用中具有广泛的价值，尤其在处理复杂情感、多语言场景和动态语言时表现尤为突出。

目前值得关注的方向有：情感调节增强的情感分析、跨文化情感分析、情感词嵌入的微调、情感分析中的知识图谱增强……

Designing Heterogeneous LLM Agents for Financial Sentiment Analysis

**内容：**本文提出了一种基于异构大语言模型（LLM）代理的财务情绪分析框架HAD，受Minsky“心智社会”理论启发，通过构建7个分别聚焦语言错误类型与投资者行为差异的专门化LLM代理，借助提示工程而非微调，实现对财务文本的协同情绪判断。实验在6个数据集和3类基础模型上显示，HAD相比简单提示、同质多代理辩论或投票方法显著提升准确率与F1值，可弥合零样本提示与微调之间约20%–50%的性能差距，为LLM在金融文本分析中的应用提供了可解释、可扩展的新范式。

ARE LARGE LANGUAGE MODELS GOOD IN-CONTEXT LEARNERS FOR FINANCIAL SENTIMENT ANALYSIS?

**内容：**本文首次系统评估了当前主流超大规模语言模型金融情绪分析任务上的零样本与上下文学习能力。针对金融文本专业术语密集、情绪极性模糊、标注数据稀缺等难点，作者设计了随机、距离、难度、聚类四类演示样本选择策略，在FiQA与Twitter两大数据集上展开大规模实验。结果表明：所有模型经上下文学习后准确率均显著提升，聚类策略因兼顾多样性与代表性而表现最佳。研究为在无法微调的情况下利用LLM进行高精度金融情绪分析提供了可行范式，并指出未来可进一步优化示例检索策略以获得更大增益。

Enhanced Multimodal Aspect-Based Sentiment Analysis by LLM-Generated Rationales

**内容：**本文提出“LRSA”框架，通过让 Gemini-1.5-Pro 为图文对生成细粒度解释性理由，再用双路交叉注意力机制将这些理由注入 BART 等小模型，显著提升了多模态方面级情绪分析（MATE/MASC/MABSA）在 Twitter15/17 上的 F1（最高+1.9%），并验证提示需带任务提示且理由长度约原始图文两倍时效果最佳，为“大模型出理由、小模型做决策”的多模态情绪分析提供了通用范式。

MSE-Adapter: A Lightweight Plugin Endowing LLMs with the Capability to Perform Multimodal Sentiment Analysis and Emotion Recognition

**内容：**针对传统多模态情绪分析与对话情绪识别方法在微调后易丢失通用能力且计算开销巨大的痛点，本文提出仅引入 2.6–2.8 M 可训练参数的轻量级插件 MSE-Adapter，可在冻结 6–7 B 大模型的同时赋予其 MSA/ERC 能力。核心为 Text-Guide-Mixer 模块，通过 Hadamard 积显式对齐文本与非文本模态，生成高质量伪 token；在四个中英公开数据集、消费级 GPU 上的实验表明，该插件显著优于现有方法且保持 LLM 原有通用性能，为低成本大模型多模态情绪理解提供了新范式。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述