論文の概要: The Overlooked Repetitive Lengthening Form in Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2604.01268v1
• Date: Wed, 01 Apr 2026 16:55:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.661813
• Title: The Overlooked Repetitive Lengthening Form in Sentiment Analysis
• Title（参考訳）: 感性分析における見過ごされた反復伸長形態
• Authors: Lei Wang, Eduard Dragut,
• Abstract要約: RLF (Repetitive Lengthening Form) は長年見過ごされてきた。 RLF文は表現表現であり,文書レベルの感情のシグネチャとして機能することを示す。 RLFはオンラインコンテンツ分析の潜在的な価値を持っている。
• 参考スコア（独自算出の注目度）: 2.6091312475521136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individuals engaging in online communication frequently express personal opinions with informal styles (e.g., memes and emojis). While Language Models (LMs) with informal communications have been widely discussed, a unique and emphatic style, the Repetitive Lengthening Form (RLF), has been overlooked for years. In this paper, we explore answers to two research questions: 1) Is RLF important for sentiment analysis (SA)? 2) Can LMs understand RLF? Inspired by previous linguistic research, we curate \textbf{Lengthening}, the first multi-domain dataset with 850k samples focused on RLF for SA. Moreover, we introduce \textbf{Exp}lainable \textbf{Instruct}ion Tuning (\textbf{ExpInstruct}), a two-stage instruction tuning framework aimed to improve both performance and explainability of LLMs for RLF. We further propose a novel unified approach to quantify LMs' understanding of informal expressions. We show that RLF sentences are expressive expressions and can serve as signatures of document-level sentiment. Additionally, RLF has potential value for online content analysis. Our results show that fine-tuned Pre-trained Language Models (PLMs) can surpass zero-shot GPT-4 in performance but not in explanation for RLF. Finally, we show ExpInstruct can improve the open-sourced LLMs to match zero-shot GPT-4 in performance and explainability for RLF with limited samples. Code and sample data are available at https://github.com/Tom-Owl/OverlookedRLF
• Abstract（参考訳）: オンラインコミュニケーションに従事する個人は、非公式なスタイル(例えば、ミームや絵文字)で個人的な意見を表現することが多い。 非公式なコミュニケーションを持つ言語モデル (LM) は広く議論されているが、ユニークな、強調的なスタイルであるRLF(Repetitive Lengthening Form)は長年見過ごされてきた。 本稿では,2つの研究課題に対する回答について考察する。 1)RLFは感情分析(SA)に重要であるか? 2) LM は RLF を理解できるか? これまでの言語研究に触発されて,SA のための RLF に着目した 850k サンプルを用いた最初のマルチドメインデータセットである \textbf{Lengthening} をキュレートした。 さらに, RLF における LLM の性能と説明性の向上を目的とした2段階の命令チューニングフレームワークである \textbf{Exp}lainable \textbf{Instruct}ion Tuning (\textbf{ExpInstruct}) を導入する。 さらに,従来の表現に対するLMの理解を定量化する統一的手法を提案する。 RLF文は表現表現であり,文書レベルの感情のシグネチャとして機能することを示す。 さらに、RLFはオンラインコンテンツ分析の潜在的な価値を持っている。 以上の結果から,微調整事前学習言語モデル (PLM) はゼロショット GPT-4 を上回る性能を示すが, RLF を説明できないことが示唆された。 最後に,ExpInstruct はオープンソース LLM を改良し,0ショット GPT-4 の性能と,限られたサンプルを用いた RLF の説明可能性を示す。 コードとサンプルデータはhttps://github.com/Tom-Owl/OverlookedRLFで公開されている。

関連論文リスト

• Meta In-Context Learning Makes Large Language Models Better Zero and Few-Shot Relation Extractors [9.881102419679673]
  textscMicre (textbfMeta textbfIn-textbfContext learning of LLMs for textbfRelation textbfExtraction)は、ゼロおよび少数ショット関係抽出のための新しいメタトレーニングフレームワークである。 textscMicreは、ターゲットREデータセットの推論中に関係ラベル名を介して関係意味知識を転送可能であることを示す。
  論文  参考訳（メタデータ） (2024-04-27T07:06:39Z)
• FOFO: A Benchmark to Evaluate LLMs' Format-Following Capability [70.84333325049123]
  FoFoは、大規模言語モデル(LLM)の複雑なドメイン固有のフォーマットに従う能力を評価するための先駆的なベンチマークである。 本稿では,大規模言語モデル(LLM)の複雑なドメイン固有フォーマットに従う能力を評価するための先駆的ベンチマークであるFoFoを提案する。
  論文  参考訳（メタデータ） (2024-02-28T19:23:27Z)
• Unsupervised Information Refinement Training of Large Language Models for Retrieval-Augmented Generation [128.01050030936028]
  InFO-RAG という情報改質訓練手法を提案する。 InFO-RAGは低コストで、様々なタスクにまたがっている。 LLaMA2の性能を平均9.39%向上させる。
  論文  参考訳（メタデータ） (2024-02-28T08:24:38Z)
• Revisiting Large Language Models as Zero-shot Relation Extractors [8.953462875381888]
  リレーショナル抽出(RE)は、ゼロショット設定下であっても、一定のラベル付きまたはラベルなしのデータを一貫して含む。 近年の研究では、大きな言語モデル(LLM)が、単に自然言語のプロンプトを与えられただけで、新しいタスクにうまく移行していることが示されている。 本研究はゼロショット関係抽出器としてLLMを探索することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-10-08T06:17:39Z)
• Re-Reading Improves Reasoning in Large Language Models [87.46256176508376]
  既成のLarge Language Models (LLM) の推論能力を高めるため, 単純で汎用的で効果的なプロンプト手法であるRe2を導入する。 CoT (Chain-of-Thought) など、ほとんどの思考を刺激する手法とは異なり、Re2 は質問を2回処理することで入力に焦点を移し、理解プロセスを強化する。 提案手法の有効性と汎用性を検証するため,14のデータセットにまたがる広範囲な推論ベンチマークでRe2を評価した。
  論文  参考訳（メタデータ） (2023-09-12T14:36:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。