論文の概要: Consistency Analysis of Sentiment Predictions using Syntactic & Semantic Context Assessment Summarization (SSAS)

• arxiv url: http://arxiv.org/abs/2604.15547v1
• Date: Thu, 16 Apr 2026 21:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.659103
• Title: Consistency Analysis of Sentiment Predictions using Syntactic & Semantic Context Assessment Summarization (SSAS)
• Title（参考訳）: 構文的・意味的文脈評価要約(SSAS)を用いた感性予測の一貫性解析
• Authors: Sharookh Daruwalla, Nitin Mayande, Shreeya Verma Kathuria, Nitin Joglekar, Charles Weber,
• Abstract要約: 本稿では,文脈設定のためのSyntactic & Semantic Context Assessment Summarization(SSAS)フレームワークを提案する。 我々のSSASフレームワークは、ノイズ除去と感情予測の改善により、データ品質を最大30%向上させることができることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fundamental challenge of using Large Language Models (LLMs) for reliable, enterprise-grade analytics, such as sentiment prediction, is the conflict between the LLMs' inherent stochasticity (generative, non-deterministic nature) and the analytical requirement for consistency. The LLM inconsistency, coupled with the noisy nature of chaotic modern datasets, renders sentiment predictions too volatile for strategic business decisions. To resolve this, we present a Syntactic & Semantic Context Assessment Summarization (SSAS) framework for establishing context. Context established by SSAS functions as a sophisticated data pre-processing framework that enforces a bounded attention mechanism on LLMs. It achieves this by applying a hierarchical classification structure (Themes, Stories, Clusters) and an iterative Summary-of-Summaries (SoS) based context computation architecture. This endows the raw text with high-signal, sentiment-dense prompts, that effectively mitigate both irrelevant data and analytical variance. We empirically evaluated the efficacy of SSAS, using Gemini 2.0 Flash Lite, against a direct-LLM approach across three industry-standard datasets - Amazon Product Reviews, Google Business Reviews, Goodreads Book Reviews - and multiple robustness scenarios. Our results show that our SSAS framework is capable of significantly improving data quality, up to 30%, through a combination of noise removal and improvement in the estimation of sentiment prediction. Ultimately, consistency in our context-estimation capabilities provides a stable and reliable evidence base for decision-making.
• Abstract（参考訳）: 感情予測のような信頼性の高いエンタープライズグレードの分析にLLM(Large Language Models)を使用することの根本的な課題は、LLMの本質的確率性(生成的、非決定論的性質)と一貫性に対する分析的要求との間の対立である。 LLMの不整合は、カオス的現代データセットの騒々しい性質と相まって、戦略的ビジネス決定には、感情予測が不安定すぎる。 これを解決するために、コンテキストを確立するためのSyntactic & Semantic Context Assessment Summarization(SSAS)フレームワークを提案する。 SSASによって確立されたコンテキストは、LSMのバウンド・アテンション・メカニズムを強制する高度なデータ前処理フレームワークとして機能する。 これは、階層的な分類構造(テーマ、ストーリー、クラスタ)と反復的な概要(SoS)ベースのコンテキスト計算アーキテクチャを適用することで実現される。 これにより、生のテキストに高信号で感傷的なプロンプトが付与され、無関係なデータと分析的な分散の両方を効果的に軽減する。 業界標準の3つのデータセット(Amazon Product Reviews、Google Business Reviews、Goodreads Book Reviews、および複数の堅牢性シナリオ)を直接LLMアプローチに対して、Gemini 2.0 Flash Liteを使用してSSASの有効性を実証的に評価した。 我々のSSASフレームワークは、ノイズ除去と感情予測の改善により、データ品質を最大30%向上させることができることを示した。 究極的には、私たちのコンテキスト推定能力の一貫性は、意思決定のための安定的で信頼性の高いエビデンス基盤を提供します。

関連論文リスト

• Leveraging Weighted Syntactic and Semantic Context Assessment Summary (wSSAS) Towards Text Categorization Using LLMs [0.0]
  大規模でカオス的なデータセットにデータの整合性を強制するために設計された、重み付き構文とセマンティックコンテキストアセスメント概要(wSSAS)。 まず,テーマ,ストーリー,クラスタを含む階層的な分類構造に生テキストを整理する二段階検証フレームワークを提案する。 次に、SNR(Signal-to-Noise Ratio)を活用して、高価値なセマンティックな特徴を優先順位付けする。
  論文  参考訳（メタデータ） (2026-04-13T20:41:36Z)
• Overcoming the Modality Gap in Context-Aided Forecasting [54.976964834365056]
  本稿では,時間的力学の記述と数値履歴に相補的な文脈を生成する半合成データ拡張手法を提案する。 このアプローチによって大規模なデータセット生成が可能になり、700万のコンテキスト拡張時系列ウィンドウのコーパスであるCAF-7Mが実現される。
  論文  参考訳（メタデータ） (2026-03-12T21:05:33Z)
• DMCD: Semantic-Statistical Framework for Causal Discovery [0.03499870393443267]
  DMCDは,変数メタデータからのセマンティックな草案作成と,観測データに対する統計的検証を統合した因果発見フレームワークである。 我々は,産業工学,環境モニタリング,ITシステム分析を対象とする,メタデータに富んだ実世界の3つのベンチマークに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-02-23T20:29:35Z)
• Semantic-preserved Augmentation with Confidence-weighted Fine-tuning for Aspect Category Sentiment Analysis [3.1394848827666544]
  大規模言語モデル(LLM)は、低リソースシナリオにおけるデータの不足に対処するための効果的なアプローチである。 本稿では、アスペクトカテゴリー感情分析タスクのためのデータ拡張戦略を提案する。 我々は、生成した文と原文とのセマンティック一貫性を確保するために、後処理技術を用いる。
  論文  参考訳（メタデータ） (2025-06-08T13:53:28Z)
• Semantic Consistency Regularization with Large Language Models for Semi-supervised Sentiment Analysis [20.503153899462323]
  本稿では,半教師付き感情分析のためのフレームワークを提案する。 テキストを意味的に拡張する2つのプロンプト戦略を導入する。 実験により,従来の半教師付き手法よりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2025-01-29T12:03:11Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• DCR-Consistency: Divide-Conquer-Reasoning for Consistency Evaluation and Improvement of Large Language Models [4.953092503184905]
  この研究は、LLM(Large Language Models)生成したテキストの一貫性を評価し改善する自動化フレームワークであるDCRを提案する。 本稿では,DCEからの出力を解釈可能な数値スコアに変換する自動計量変換器(AMC)を提案する。 また,本手法は出力不整合の90%近くを著しく低減し,効果的な幻覚緩和の可能性を示唆している。
  論文  参考訳（メタデータ） (2024-01-04T08:34:16Z)

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。