論文の概要: Semantically Enriching Investor Micro-blogs for Opinion-Aware Emotion Analysis: A Practical Approach

• arxiv url: http://arxiv.org/abs/2605.03092v1
• Date: Mon, 04 May 2026 19:11:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.617416
• Title: Semantically Enriching Investor Micro-blogs for Opinion-Aware Emotion Analysis: A Practical Approach
• Title（参考訳）: オピニオン・アウェア・感情分析のためのインベクタ・マイクロブログのセマンティックに強化する実践的アプローチ
• Authors: Gaurav Negi, Paul Buitelaar,
• Abstract要約: StockEmotionsデータセットを意味的に構造化された意見グラフで拡張し、既存の感情や感情ラベルにセマンティックな深さを提供する。 分析により、意見意味を取り入れることで、異なる感情スペクトルの分類性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 3.5808917363708743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While sentiment analysis is the staple of financial NLP, capturing the nuances of 'why' behind that sentiment remains a challenge. There have been attempts to address this by analysing investor emotions alongside sentiment; however, this does not provide the additional granularity required to understand the target of the emotion/sentiment. We address this by augmenting the StockEmotions dataset with semantically structured opinion graphs, which provide granular semantic depth to the existing sentiment and emotion labels. Using a declarative LLM pipeline, we augment the StockEmotions dataset with opinion graphs for each sentence, derived from 10,000 comments collected from StockTwits. In addition, we study the effect of introducing opinion semantics on baseline classifiers using Graph Neural Networks (GNNs). Our analysis demonstrates that incorporating opinion semantics improves classification performance across different emotional spectrums
• Abstract（参考訳）: 感情分析は財政的なNLPの基盤であるが、その感情の背後にある「なぜ」のニュアンスを捉えることは依然として困難である。 投資家の感情を感情と共に分析することでこの問題に対処する試みがあるが、感情/感覚のターゲットを理解するのに必要な追加の粒度は提供されない。 この問題に対処するため,SockEmotionsデータセットをセマンティックに構造化された意見グラフで拡張し,既存の感情や感情ラベルにセマンティックな深度を提供する。 宣言的LLMパイプラインを使用して、StockTwitsから収集された1万のコメントから、各文に対する意見グラフでStockEmotionsデータセットを増強する。 さらに,グラフニューラルネットワーク(GNN)を用いたベースライン分類器に対する意見意味論の導入効果について検討した。 我々の分析は、意見意味を取り入れることで、異なる感情スペクトルの分類性能が向上することを示した。

関連論文リスト

• FACE-net: Factual Calibration and Emotion Augmentation for Retrieval-enhanced Emotional Video Captioning [81.33341786837974]
  Emotional Video Captioning (EVC) は、ビデオで表現される本質的な感情で事実を記述することを目的とした、新たなタスクである。 FActual and Emotion Augmentation (FACE-net) を用いた検索強化フレームワークを提案する。 FACE-netは、事実と感情のセマンティクスを協調的にマイニングし、生成のための適応的で正確なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-03-18T07:53:15Z)
• EmoVerse: A MLLMs-Driven Emotion Representation Dataset for Interpretable Visual Emotion Analysis [61.87711517626139]
  EmoVerseは、解釈可能な視覚的感情分析を可能にする、大規模なオープンソースデータセットである。 219k以上の画像で、データセットはさらにカテゴリー感情状態(CES)と次元感情空間(DES)の2つのアノテーションを含んでいる。
  論文  参考訳（メタデータ） (2025-11-16T11:16:50Z)
• What About Emotions? Guiding Fine-Grained Emotion Extraction from Mobile App Reviews [3.24647377768909]
  アプリレビューにおけるきめ細かい感情分類は、まだ未調査だ。 我々の研究は、構造化アノテーションフレームワークとデータセットを開発することにより、Plutchikの感情分類をアプリレビューに適用する。 大規模言語モデルを用いて感情表現の自動化の実現可能性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T13:58:38Z)
• Emo Pillars: Knowledge Distillation to Support Fine-Grained Context-Aware and Context-Less Emotion Classification [56.974545305472304]
  感情分析のためのほとんどのデータセットは、意見が表現された文脈を欠き、感情理解に不可欠であり、主にいくつかの感情カテゴリーによって制限される。 我々はLLMベースのデータ合成パイプラインを設計し、よりアクセスしやすい軽量BERT型エンコーダモデルのトレーニング例を生成するために、大規模モデルMistral-7bを利用する。 Emo Pillarsモデルは、GoEmotions、ISEAR、IEMOCAP、EmoContextといった特定のタスクに調整された場合、新しいドメインに対して高い適応性を示し、最初の3つでSOTAのパフォーマンスに達した。
  論文  参考訳（メタデータ） (2025-04-23T16:23:17Z)
• You Shall Know a Tool by the Traces it Leaves: The Predictability of Sentiment Analysis Tools [74.98850427240464]
  感情分析ツールが同じデータセットで一致しないことを示す。 感傷的アノテーションに使用される感情ツールは,その結果から予測できることを示す。
  論文  参考訳（メタデータ） (2024-10-18T17:27:38Z)
• StockEmotions: Discover Investor Emotions for Financial Sentiment Analysis and Multivariate Time Series [5.892675412951627]
  本稿では、株式市場における感情を検出するための新しいデータセットであるStockEmotionsを紹介する。 これは金融ソーシャルメディアプラットフォームであるStockTwitsから集めた1万件の英語コメントで構成されている。 既存の財務感情データセットとは異なり、StockEmotionsは投資家の感情クラス、きめ細かい感情、絵文字、時系列データなどの細かい特徴を提示する。
  論文  参考訳（メタデータ） (2023-01-23T05:32:42Z)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Accurate Emotion Strength Assessment for Seen and Unseen Speech Based on Data-Driven Deep Learning [70.30713251031052]
  本研究では,データ駆動型深層学習モデル,すなわちSenseNetを提案する。 実験の結果,提案した強度ネットの予測感情強度は,目視と目視の両方の真理値と高い相関性を示した。
  論文  参考訳（メタデータ） (2022-06-15T01:25:32Z)
• EmTract: Extracting Emotions from Social Media [0.0]
  本研究では,財務状況に適したソーシャルメディアテキストから感情を抽出するオープンソースツール(EmTract)を開発した。 我々は、感情と市場ダイナミクスが密接に関連していることを示し、金融市場における感情の役割を研究するためのツールを提供する。
  論文  参考訳（メタデータ） (2021-12-07T18:01:35Z)

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。