MN-DS: A Multilabeled News Dataset for News Articles Hierarchical Classification
Lusófona University(卢索福纳大学)
本文构建并发布MN-DS多标签新闻数据集,包含2019年采集的10,917篇文章及两级层次标注,用于支持新闻主题自动分类、结构化和事件预测研究。
2023-04-23 cs.AI cs.CL cs.LG
LLM-Generated Negative News Headlines Dataset: Creation and Benchmarking Against Real Journalism
Elizade University(埃利扎德大学);Federal University of Technology(联邦理工大学)
本研究针对数据获取与隐私挑战,创建了LLM生成的负面新闻标题数据集,经专家验证和嵌入空间分析后与真实新闻基准测试,发现其与真实标题匹配度高,仅专有名词得分有差异,为NLP任务提供了合成数据替代方案。
2025-10-24 cs.AI cs.CL
Fortia-FBK at SemEval-2017 Task 5: Bullish or Bearish? Inferring Sentiment towards Brands from Financial News Headlines
Fortia Financial Solutions(Fortia金融解决方案);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
在本文中,我们描述了一种方法来推断看涨或看跌的情绪对公司/品牌。更具体地说,我们的方法利用情感词汇和词嵌入结合卷积神经网络来推断金融新闻标题对目标公司的情绪。在SemEval 2017挑战(任务5,子任务2)的背景下使用和评估了这种架构,其中它获得了最佳性能。
2017-04-04 cs.CL cs.CY
S-APIR: News-based Business Sentiment Index
Konan University(甲南大学);Asia Pacific Institute of Research(亚太研究所);Osaka Sangyo University(大阪产业大学)
本文介绍了我们利用每日报纸文章开发新的商业景气指数的工作。我们采用一个带有门控递归单元的递归神经网络(RNN)来预测给定文本的商业情绪。RNN最初在经济观察者调查上进行训练,然后在新闻文本上进行微调以适应领域自适应。此外,一类支持向量机被应用于过滤被认为与商业情绪无关的文本。此外,我们提出了一个简单的方法来分析有多少时间和任何给定的因素影响预测的商业情绪。通过对2013年至2018年出版的日经新闻文章进行的一系列实验,实证证明了所提出方法的有效性和实用性。
2020-03-06 cs.CL cs.CY cs.SI
Who Blames or Endorses Whom? Entity-to-Entity Directed Sentiment Extraction in News Text
Soongsil University(崇实大学);UCLA(加州大学洛杉矶分校)
理解新闻文本中谁在指责谁或支持谁是计算社会科学的一个重要研究问题。然而,用于情感分析的传统方法和数据集不适合政治文本领域,因为它们不考虑实体之间表达的情感的方向。在本文中,我们提出了一种新的NLP任务,从给定的新闻文档中识别政治实体之间的定向情感关系,我们称之为定向情感提取。从一个百万级的新闻语料库中,我们构建了一个数据集的新闻句子中的情感关系的政治实体手动注释。我们提出了一种简单但有效的方法来利用预训练的Transformer,它通过预测多个问答任务并结合结果来推断目标类。我们通过分析2016年美国总统大选和COVID-19这两个重大事件中政治实体之间的正面和负面意见,展示了我们提出的方法在社会科学研究问题中的实用性。新提出的问题,数据和方法将促进跨学科的NLP方法和应用的未来研究。
2021-06-22 cs.CL cs.CY cs.IR
Making sense of electrical vehicle discussions using sentiment analysis on closely related news and user comments
UC Berkeley(加州大学伯克利分校)
我们使用了一个标记明智和文档明智的情感分析,使用无监督和监督模型应用于新闻和用户评论数据集。我们的标记方面的情感分析发现两组之间的情感存在统计学上的显著差异(两者都是非常大的N),我们的文档方面的监督情感分析发现情感没有显著差异。
2022-06-19 cs.AI cs.CL
Robust Fake News Detection using Large Language Models under Adversarial Sentiment Attacks
TIB – Leibniz Information Centre for Science;TIB -- Leibniz Information Centre for Science;Marburg University \& Hessian Center for Artificial Intelligence (hessian.AI) Marburg/Darmstadt;\ TIB \& L3S Research Center Hannover Germany
本文提出AdSent框架,通过可控情感对抗攻击和情感无关训练策略,提升虚假新闻检测在对抗性情感攻击下的鲁棒性。
2026-01-21 cs.CL
Words that Matter: The Impact of Negative Words on News Sentiment and Stock Market Index
Korea University(高丽大学);University of St. Gallen(圣加仑大学)
该研究基于45,723篇韩国经济新闻,利用Word2Vec和余弦相似度构建包含前1,000个负面词的增强词典Sent1000,证明其比原始词典Sent0更能有效捕捉新闻情绪对KOSPI200指数的影响。
2024-02-23 cs.CL
Deciphering Political Entity Sentiment in News with Large Language Models: Zero-Shot and Few-Shot Strategies
IIT Kharagpur(印度理工学院卡拉格普尔分校)
本文评估 LLM 用零样本、少样本及 COT 提示识别政治新闻中实体情感的效果,证明其优于微调 BERT,并分析上下文学习与自洽机制的作用。
2024-04-05 cs.CL
Analyzing Sentiment Polarity Reduction in News Presentation through Contextual Perturbation and Large Language Models
IIT Kharagpur(印度理工学院卡哈拉格普尔分校)
本文提出通过对抗攻击式扰动和基于ChatGPT的提示方法,结合束搜索算法降低新闻文本情感极性,实验证明该方法在保持文本质量的同时有效减少情感偏见,促进客观报道。
2024-02-03 cs.CL
News-based Business Sentiment and its Properties as an Economic Index
Konan University(甲南大学);Osaka Sangyo University(大阪产业大学);Kobe University(神户大学);Asia Pacific Institute of Research(亚太研究所)
本文提出了一种基于文本数据的商业情感度量方法。商业信心一直是以传统的调查来衡量的,这是昂贵和耗时的。为了解决这些问题,我们利用每日报纸文章,并采用基于自我注意力的模型来定义一个商业情绪指数,命名为S-APIR,其中离群值检测模型进行了研究,以正确处理各种类型的新闻文章。此外,我们提出了一个简单的方法来分析任何给定的事件对预测的商业景气指数的贡献。为了证明所提出的方法的有效性,进行了广泛的分析12年的报纸文章的价值。分析表明,S-APIR指数与已建立的基于调查的指数有很强的正相关性(相关系数r=0.937),离群值检测是有效的,特别是对于一般的报纸。此外,S-APIR与各种经济指数进行了比较,揭示了S-APIR反映宏观经济趋势以及经济主体的经济前景和情绪的特性。此外,为了说明S-APIR如何使经济学家和政策制定者受益,分析了几个事件随时间推移对商业情绪的影响。
2021-10-20 cs.CL
Sentimental Content Analysis and Knowledge Extraction from News Articles
Ferdowsi University of Mashhad(马什哈德菲尔多西大学)
在网络时代,由于技术的进步,人类的生活发生了革命性的变化,每天都有大量的数据和信息发布在互联网上。例如,新闻机构在世界各地的网站上发布新闻。这些原始数据可能是知识提取的重要资源。这些共享数据包含情感(即,积极的、中性的或消极的);因此,情感内容提取在许多方面可以是有益的任务。提取新闻的情感说明了在一段时间内关于事件的非常有价值的信息,媒体或新闻机构对这些事件的观点。在本文中,试图提出一种方法,新闻分析,并从中提取有用的知识。首先,我们尝试提取新闻文档的噪声鲁棒情感;因此,下载与六个国家相关的新闻:美国,英国,德国,加拿大,法国和澳大利亚,5个不同的新闻类别:政治,体育,商业,娱乐和技术。本文在提取新闻文本中的情感内容的基础上,对不同国家在每5个新闻主题中的情况进行了比较。此外,我们提出了一种方法,以减少庞大的新闻数据,提取最热门的话题和新闻标题作为知识。最后,我们生成一个词模型,通过Word 2 Vec将每个词映射到一个固定大小的向量,以了解我们收集的新闻数据库中的词之间的关系。
2018-08-09 cs.CL cs.IR
Quotations, Coreference Resolution, and Sentiment Annotations in Croatian News Articles: An Exploratory Study
Faculty of Humanities and Social Sciences, University of Zagreb(萨格勒布大学人文与社会科学学院)
本文提出了一个语料库注释的任务,直接语音提取在克罗地亚。本文主要对SETimes新闻语料库中克罗地亚语的引文标注、共指消解和情感标注进行研究,并分析其与英语的语言差异。由此,推导出在执行这些注释时需要特别注意的现象的列表。所生成的带有引文特征注释的语料库可以用于自然语言处理领域的多个任务。
2022-12-14 cs.CL
Predicting the Effects of News Sentiments on the Stock Market
Queens University(皇后大学)
股票市场预测在商业活动的规划中非常重要。股票价格预测吸引了包括计算机科学、统计学、经济学、金融学和运筹学在内的多个学科的研究人员。最近的研究表明,公共领域的大量在线信息,如维基百科的使用模式,主流媒体的新闻报道和社交媒体讨论,可以对投资者对金融市场的看法产生明显的影响。股票市场预测的计算模型的可靠性对经济非常敏感,并可能直接导致经济损失。在本文中,我们检索,提取,并分析了新闻情绪对股票市场的影响。我们的主要贡献包括金融领域的情感分析字典的发展,基于字典的情感分析模型的发展,以及评估模型的新闻情绪对医药市场股票的影响。仅使用新闻情绪,我们在预测短期股票价格走势方面取得了70.59%的方向准确率。
2018-12-11 cs.CL cs.LG
Sentiment Analysis in the News
University of Alicante(阿利坎特大学);European Commission – Joint Research Centre(欧洲委员会联合研究中心)
近年来,情感分析的研究量显著增长,主要是高度主观的文本类型(电影或产品评论)。这些文本与新闻文章的主要区别在于,它们的目标是明确定义的,并且在整个文本中是唯一的。经过不同的注释工作和遇到的问题的分析,我们意识到,新闻意见挖掘是不同于其他文本类型。我们确定了需要解决的三个子任务:目标的定义;将好消息和坏消息内容与目标表达的好情绪和坏情绪分离;以及分析明确表达的明确标记的意见,不需要解释或使用世界知识。此外,我们区分了三种不同的可能的观点报纸文章-作者,读者和文本,这必须在分析情绪的时候不同的解决。鉴于这些定义,我们目前的工作挖掘意见的实体在英语新闻,其中(a)我们测试各种情感词典的相对适用性和(b)我们试图从好消息或坏消息的积极或消极的意见。在这里描述的实验中,我们测试了是否应该忽略主题领域定义词汇。结果表明,这一思想更适合于新闻观点挖掘的背景下,考虑到这一点的方法产生了更好的性能。
2013-09-24 cs.CL
Sentiment Analysis on Financial News Headlines using Training Dataset Augmentation
University of Waterloo(滑铁卢大学)
本文讨论了UWaterloo团队为解决SemEval 2017任务5提出的细粒度情感分析问题所采取的方法。本文介绍了文档矢量化和情感得分预测技术,以及在构建系统时所采取的设计和实施决策。该系统使用文本向量化模型,如N-gram,TF-IDF和段落嵌入,结合回归模型变量来预测情感得分。在检查的方法中,一元和二元再加上简单的线性回归获得了最好的基线精度。本文还探讨了数据增强方法来补充训练数据集。该系统是为子任务2(新闻声明和标题)设计的。
2017-07-29 cs.CL
SARC: Sentiment-Augmented Deep Role Clustering for Fake News Detection
College of Computer Science, Chongqing University(重庆大学计算机学院);Department of Computer Science, University of Exeter(埃克塞特大学计算机科学系);School of Artificial Intelligence and Computer Science, Shaanxi Normal University(陕西师范大学人工智能与计算机科学学院)
针对假新闻检测中用户角色差异被忽视的问题,本文提出情感增强深度角色聚类框架 SARC,通过联合角色聚类与假新闻检测提升性能,并在两个基准数据集上取得优于基线模型的结果。
2025-10-28 cs.CL
Beyond Sentiment: Structured Information Extraction from Financial News
School of ASEE, Beihang University(北京航空航天大学ASEE学院);School of BME, Beihang University(北京航空航天大学生物医学工程学院);CAIR and CECS, VinUniversity(VinUniversity CAIR与CECS机构)
该研究针对金融情感分析仅压缩新闻为单一极性评分的局限,提出用LLaMA-3.1-70B提取金融新闻的结构化语义特征,结合情感与结构化特征可提升股票预测性能,为多维金融NLP开辟新方向。
2026-07-31 cs.CL
Entity-Specific Sentiment Classification of Yahoo News Comments
Yahoo Labs(雅虎实验室);University of North Texas(北德克萨斯大学)
情感分类广泛用于产品评论和在线社交媒体,如论坛,Twitter和博客。然而,对新闻网站上用户评论的情感进行分类的问题尚未得到解决。新闻网站涵盖了广泛的领域,包括政治,体育,技术和娱乐,而其他在线社交网站,如论坛和评论网站,这是特定于一个特定的领域。与新闻站点相关联的用户可能对不同的主题(例如,政治、智能手机和体育)或不同的实体(例如,奥巴马、iPhone或谷歌)。对与各种实体相关联的用户的情感进行分类可以帮助获得他们个性的整体视图,这在诸如在线广告、内容个性化和政治竞选规划等应用中可能是有用的。在本文中,我们制定的问题,在雅虎新闻的新闻文章发表评论的实体特定的情感分类,并提出新的功能,是特定的新闻评论。实验结果表明,我们的模型优于最先进的基线。
2015-06-11 cs.CL cs.IR cs.SI
RuSentNE-2023: Evaluating Entity-Oriented Sentiment Analysis on Russian News Texts
Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学)
本文介绍RuSentNE-2023评测,基于RuSentNE俄语新闻语料库评估句子级命名实体情感分析,最佳系统宏F值达66%,并验证ChatGPT零样本性能可达60%,相当于第4名。
2023-05-28 cs.CL
News Sentiment Analysis
University of Southern California(南加州大学);Caltech(加州理工学院)
现代技术时代在几个领域重塑了传统生活方式。随着信息技术的进步,新闻和事件的发布媒介变得更快。IT还充斥着大量的数据,这些数据每时每刻都在由数百万用户以评论、博客、通过博客、社交媒体微博网站等进行新闻共享的形式发布。手动遍历如此庞大的数据是一项具有挑战性的工作,因此,复杂的方法来自动有效地执行这项任务。新闻报道的事件包含了各种情绪--好的、坏的、中性的。情感分析用于研究文本信息中存在的人类情感。提出了一种基于词汇的新闻文章情感分析方法。在BBC新闻数据集上进行了实验,实验结果表明了所采用方法的适用性和有效性。
2020-07-05 cs.CL cs.IR cs.LG
Lancaster A at SemEval-2017 Task 5: Evaluation metrics matter: predicting sentiment from financial news headlines
Lancaster University(兰卡斯特大学)
本文描述了我们参与SemEval 2017的任务5轨道2,以预测特定公司在-1到1之间的连续范围内的金融新闻标题的情绪。我们使用了许多方法来解决这个问题,利用支持向量回归(SVR)和双向长短期记忆(BLSTM)。我们发现使用LSTM模型比SVR提高了4-6%,在赛道上排名第四。我们报告了一些不同的评估使用金融特定的词嵌入模型,并反映使用不同的评估指标的影响。
2017-05-01 cs.CL
Enhancing Inflation Nowcasting with LLM: Sentiment Analysis on News
EPFL(洛桑联邦理工学院)
本文提出基于 BERT 微调的 InflaBERT,从新闻中构建月度通胀情感指数 NEWS,并将其加入克利夫兰联储自回归模型,发现疫情期间预测准确性仅边际提升。
2024-10-26 cs.CE cs.CL
Classifying COVID-19 Related Tweets for Fake News Detection and Sentiment Analysis with BERT-based Models
Tlemcen University(特莱姆森大学);Peoples' Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(RUDN大学));Joint Institute for Nuclear Research(联合核研究所);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Skövde(舍夫德大学)
本文介绍了团队“techno”在CERIST'22共享任务中,结合自然语言处理工具与预训练模型BERT,对COVID-19相关推文进行情感分析与假新闻检测,分别取得0.93和0.90的准确率。
2023-04-02 cs.CL
Fine-Tuning Gemma-7B for Enhanced Sentiment Analysis of Financial News Headlines
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Carnegie Mellon University(卡内基梅隆大学);Snap Inc.(斯纳普公司);Northeastern University(东北大学);Columbia University(哥伦比亚大学);Texas A&M University(德克萨斯农工大学)
本研究针对金融新闻头条投资者情感分析问题,基于FinancialPhraseBank数据集微调多个大语言模型,发现微调后的gemma-7b性能最优,可助力金融市场分析与投资决策。
2024-06-19 cs.AI cs.CL
Dynamic Hedging Strategies in Derivatives Markets with LLM-Driven Sentiment and News Analytics
The Chinese University of Hong Kong(香港中文大学);Columbia University(哥伦比亚大学);University of Utah(犹他大学);University of California San Diego(加州大学圣迭戈分校)
本文提出利用大语言模型进行情绪与新闻分析,以实时调整衍生品对冲策略,并通过回测证明其风险调整后收益优于传统静态方法。
2025-04-05 cs.CE cs.CL
A Unified BERT-CNN-BiLSTM Framework for Simultaneous Headline Classification and Sentiment Analysis of Bangla News
Department of CCE, International Islamic University Chittagong(国际伊斯兰大学丘拉图加冈分校计算机工程系);Department of ICE, Noakhali Science and Technology University(诺阿克利科学与技术大学信息工程系);Department of CSE, Banladesh University of Engineering and Technology(孟加拉工程与技术大学计算机科学与工程系);Dept. of CSE, IIUC, Chattogram, Bangladesh(国际伊斯兰大学丘拉图加冈分校计算机科学与工程系);School of CSE, University of Southern Mississippi(密西西比大学南方分校计算机科学学院);Department of CSE, Netrokona University(纳特罗克纳大学计算机科学与工程系);mPower Social Enterprise(mPower社会企业)
本文提出BERT-CNN-BiLSTM框架,用于孟加拉新闻标题的联合分类与情感分析,通过两种实验策略提升分类性能,达到新的SOTA结果。
2026-10-05 cs.AI cs.CL
Fusing Audio, Textual and Visual Features for Sentiment Analysis of News Videos
Engineering and Technology Institute, University Center of Belo Horizonte (UNI-BH)(贝洛奥里藏特大学中心(UNI-BH)工程技术学院);CEFET-MG(米纳斯吉拉斯联邦教育技术中心(CEFET-MG));Federal University of Minas Gerais (UFMG)(米纳斯吉拉斯联邦大学(UFMG))
本文提出了一种新的方法来执行情感分析的新闻视频,基于融合的音频,文本和视觉线索提取的内容。所提出的方法的目的是有助于符号话语的研究,关于这个媒体宇宙的民族精神(身份)的建设,这已成为现代生活的数百万人的核心部分。为了实现这一目标,我们应用最先进的计算方法(1)从面部表情中自动识别情感,(2)提取参与者语音中的调制,以及(3)从与感兴趣的视频相关的隐藏字幕中进行情感分析。更具体地说,我们计算的功能,如识别的情绪,字段大小的参与者,发声概率,声音响度,语音基频和情感分数(极性)从文本句子中的封闭式字幕的视觉强度。实验结果与数据集包含520注释的新闻视频从三个巴西和一个美国流行的电视新闻节目表明,我们的方法实现了高达84%的准确性的情绪(紧张程度)分类任务,从而证明了其高潜力的媒体分析师在几个应用程序中使用,特别是在新闻领域。
2016-04-09 cs.CL
Large language models for newspaper sentiment analysis during COVID-19: The Guardian
The Guardian(《卫报》)
本研究采用大型语言模型对《卫报》在COVID-19各阶段的报道进行情感分析,发现其负面情绪占主导,与社交媒体情感反映存在差异。
2025-04-27 cs.CL cs.SI
Comparing LLMs for Sentiment Analysis in Financial Market News
Universidade do Estado do Amazonas (UEA)(亚马逊州立大学)
本文比较LLM与经典方法在金融市场新闻情感分析任务中的表现,量化各类模型优势,发现LLM在绝大多数情况下优于经典模型。
2025-10-03 cs.AI cs.CL q-fin.ST
Financial Sentiment Analysis on News and Reports Using Large Language Models and FinBERT
Zhejiang University(浙江大学);Lehigh University(理海大学)
本文比较了LLMs与FinBERT在金融情感分析中的表现,发现结合少样本提示工程的GPT-4o可达到与微调FinBERT相当的水平。
2024-10-02 cs.CL cs.IR cs.SI
Stock trend prediction using news sentiment analysis
KJSCE
有效市场假说是目前流行的股票预测理论。随着它的失败,在股票预测领域进行了大量的研究。这个项目是关于采取非量化的数据,如金融新闻文章对一家公司和预测其未来的股票趋势与新闻情绪分类。本文假设新闻文章对股票市场有影响,试图研究新闻与股票走势之间的关系。为了说明这一点,我们创建了三个不同的分类模型,描述了积极或消极的新闻文章的极性。观察结果表明,RF和SVM在所有类型的测试中表现良好。朴素贝叶斯给出了很好的结果,但不能与其他两个相比。实验进行了评估所提出的模型的各个方面,并在所有的实验中获得了令人鼓舞的结果。预测模型的准确率达到80%以上,与新闻随机标注的50%准确率相比,提高了30%的准确率。
2016-07-07 cs.CL cs.IR cs.LG
SEntFiN 1.0: Entity-Aware Sentiment Analysis for Financial News
IIM Ahmedabad(印度艾哈迈达巴德管理学院);Aalto University(阿尔托大学)
本文针对金融新闻标题中多实体情感抽取的挑战,发布了人工标注数据集 SEntFiN 1.0,并提出基于特征的情感抽取框架,实验表明 RoBERTa 和 finBERT 取得最高 94.29% 准确率和 93.27% F1 分数,且验证了情感对市场运动的经济效应。
2023-05-20 cs.AI cs.CL cs.LG
LLMs for Targeted Sentiment in News Headlines: Exploring the Descriptive-Prescriptive Dilemma
Faculty of Electrical Engineering and Computing, University of Zagreb(萨格勒布大学电气工程与计算机学院);TakeLab
本研究针对新闻标题目标情感分析任务,探究描述-规范标注范式的影响,对比了大语言模型与微调编码器在多语言数据集上的表现,分析了提示规范程度对性能的作用,并评估了大模型的不确定性量化能力。
2024-10-30 cs.CL
Stress index strategy enhanced with financial news sentiment analysis for the equity markets
CentraleSupélec, Paris-Saclay University(巴黎-萨克雷大学中央高等电力学院);Ai For Alpha;Paris-Dauphine PSL(巴黎多芬大学PSL大学)
本文提出将金融压力指标与GPT-4解读彭博新闻的情绪分析相结合的风险偏好/规避策略,在多个主要股市中显著提升夏普比率并降低最大回撤。
2024-03-12 cs.AI cs.CL q-fin.RM
Financial Sentiment Analysis: Leveraging Actual and Synthetic Data for Supervised Fine-tuning
University of Nevada, Reno(内华达大学雷诺分校)
针对金融情感分析标注数据稀缺、现有模型上下文利用不足的问题,提出结合真实与合成数据的方法,构建BertNSP-finance拼接长句、finbert-lc做情感判定,在financial phrasebank数据集上提升了准确率和F1分数。
2024-12-13 cs.CL cs.LG
Tracking Turbulence Through Financial News During COVID-19
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
尽管2019冠状病毒病疫情造成重大人员伤亡,但仍为金融市场带来独特的不稳定状况。在这项工作中,我们发现并讨论了2020年美国金融危机期间金融出版物中涉及情绪的关系。首先,我们介绍了一套专家注释的金融情绪的文章,从美国主要的金融新闻出版商。在探索性数据分析之后,我们描述了一个基于CNN的架构,以解决在这种异常、动荡的环境中预测金融情绪的任务。我们表现最好的模型达到了0.746的最大加权F1分数,建立了一个强大的性能基准。使用我们的最佳表现模型的预测,我们通过对真实股票市场数据进行统计相关性研究来结束,发现金融新闻与标准普尔500指数,交易量,市场波动性和不同的单因素ETF之间存在有趣且强烈的关系。
2021-09-09 cs.CL
Sentiment Analysis of Financial News Articles using Performance Indicators
Indian Institute of Management Ahmedabad(印度管理学院艾哈迈达巴德分校)
挖掘金融文本文件,理解个人投资者、机构和市场的情绪是一个重要而具有挑战性的问题。目前从金融文本中挖掘情感的方法主要依赖于特定领域的词典。然而,基于词典的方法往往不能准确地预测金融文本的极性。本文旨在改善国家的最先进的,并介绍了一种新的情感分析方法,采用财务和非财务绩效指标的概念。提出了一种基于关联规则挖掘的层次情感分类器模型,用于预测金融文本的积极、中性或消极的情感倾向。在基准金融数据集上对所提出的模型的性能进行了评估。该模型还与其他国家的最先进的字典和机器学习为基础的方法和结果进行了比较,发现是相当有前途的。财务情感分析中的绩效指标的新颖使用提供了有趣和有用的见解。
2018-11-25 cs.CL cs.IR cs.LG
Evaluating and explaining training strategies for zero-shot cross-lingual news sentiment analysis
Jožef Stefan Institute(约热夫·斯泰凡研究所);Queen Mary University of London(伦敦玛丽女王大学)
本文研究零样本跨语言新闻情感检测,提出利用段落级信息的新任务目标POA,并对比机器翻译、上下文学习等方法,证明POA能以更低计算开销取得有竞争力的性能提升。
2024-09-30 cs.AI cs.CL
Estimation of Inter-Sentiment Correlations Employing Deep Neural Network Models
Tsinghua University(清华大学);Rutgers University(罗格斯大学);Carnegie Mellon University(卡内基梅隆大学);People’s Public Security University(人民公安大学)
本文主要研究Web事件的情感挖掘和情感相关性分析。虽然神经网络模型在文本信息挖掘方面做出了很大的贡献,但人们对情感相关性的分析却很少。本文填补了情感计算和情感间相关性之间的空白。本文将社会情感分为六类:爱、喜、怒、悲、恐、惊。提出了两种用于情感计算的深度神经网络模型。三个数据集-标题,身体,新闻文章的评论-收集,涵盖了不同长度(长和短)的客观和主观文本。从每个数据集中,提取三种特征:显式表达式,隐式表达式和字母字符。分析了这两种模型在三种特征下的性能。对愤怒和爱的解释存在争议。在主观文本中,其他情绪很容易被认为是愤怒。相比之下,在客观的新闻体和标题中,很容易将文本视为引起的爱。这意味着,记者可能想通过写新闻来引起情感上的爱,但在新闻发表后却引起了愤怒。这个结果反映了情绪的复杂性和不可预测性。
2018-11-24 cs.CL cs.LG
Forecasting with Economic News
Joint Research Centre, European Commission(欧盟委员会联合研究中心);Zicklin School of Business, Baruch College(巴鲁克学院齐克林商学院)
本文的目的是评估信息内容的情绪提取新闻文章的经济状况。我们提出了一个细粒度的基于方面的情感分析,它有两个主要特点:1)我们只考虑文章中的文本,这是语义上依赖于一个术语的兴趣(方面为基础),2)分配一个情感评分的基础上,我们开发的应用程序在经济和金融(细粒度)的字典的每个单词。我们的数据集包括六家大型美国报纸,总计超过660万篇文章和42亿字。我们的研究结果表明,经济情绪的几个措施密切跟踪商业周期波动,他们是四个主要的宏观经济变量的相关预测。我们发现,当情绪与宏观经济因素一起考虑时,预测有显着改善。此外,我们还发现,情绪的重要性,以解释在几个宏观经济变量的概率分布的尾部。
2022-03-29 cs.AI cs.CE cs.CL
Multi-task Learning for Cross-Lingual Sentiment Analysis
Faculty of Humanities and Social Sciences, University of Zagreb(萨格勒布大学人文与社会科学学院)
本文提出了一种使用zero-shot和少样本学习的新闻文章的跨语言情感分析。该研究旨在使用斯洛文尼亚数据集对克罗地亚新闻文章进行积极,消极和中立的情感分类。该系统是基于一个三种语言的BERT模型训练三种语言:英语,斯洛文尼亚语,克罗地亚语。本文分析了使用两种语言数据集的不同设置,并提出了一个简单的多任务模型来执行情感分类。使用克罗地亚语和斯洛文尼亚语的单任务和多任务实验中的Few-Shot和zero-shot场景进行评估。
2022-12-14 cs.CL
When a Nation Speaks: Machine Learning and NLP in People's Sentiment Analysis During Bangladesh's 2024 Mass Uprising
Jahangirnagar University(贾 banggar 大学)
本研究利用机器学习和NLP技术,首次在孟加拉国2024年大规模抗议期间对孟加拉语进行情感分析,通过分析公众情绪揭示政治动荡中的情感动态。
2025-12-17 cs.CL cs.CY
Deep Learning for Digital Text Analytics: Sentiment Analysis
Arnekt Solutions Pvt. Ltd.(阿内克特解决方案私人有限公司)
在今天的情况下,想象一个没有负面情绪的世界是非常不现实的,因为坏消息比好消息传播得更快。虽然这在现实生活中似乎不切实际,但这可以通过使用机器学习和自然语言处理技术来构建一个系统来实现,该系统识别具有负面阴影的新闻数据,并通过仅将具有正面阴影的新闻(好消息)带给最终用户来过滤它们。在这项工作中,使用基于规则和数据驱动的方法相结合,对大约两万个数据进行了训练和测试。VADER与过滤方法一起被用作注释工具,然后是使用文档术语矩阵(表示)和支持向量机(分类)的统计机器学习方法。然后,深度学习算法开始发挥作用,使这个系统变得可靠(Doc2Vec),最终得到了卷积神经网络(CNN),它产生了比其他实验模块更好的结果。训练准确率达到96%,测试准确率(国内外新闻数据)达到85%以上。
2018-04-10 cs.CL
A Data Set of Internet Claims and Comparison of their Sentiments with Credibility
Vellore Institute of Technology(韦洛尔理工学院);Georgia State University(佐治亚州立大学)
在这个时代,沟通变得更快,更容易。这意味着虚假信息可以像现实一样迅速传播。考虑到假新闻对人们心理的伤害,以及假新闻比真相传播得更快的事实,我们需要研究有助于假新闻传播的现象。一个公正的数据集,依赖于现实的评级新闻是必要的,以构建预测模型,其分类。本文介绍了创建这样一个数据集的方法。我们从snopes.com收集数据,这是一个事实核查组织。此外,我们打算创建这个数据集,不仅是为了对新闻进行分类,还为了找到错误信息背后的意图。我们还正式定义了互联网索赔,其可信度,以及这种索赔背后的情绪。我们试图认识到一个主张的情感与其可信度之间的关系。这种关系揭示了错误信息传播背后的更大图景。我们为基于本文所述方法的进一步研究铺平了道路,以创建数据集和预测建模的使用,以及基于人们心理/心态的研究,以了解为什么假新闻传播速度比现实快得多。
2019-11-22 cs.CL cs.IR
FASSILA: A Corpus for Algerian Dialect Fake News Detection and Sentiment Analysis
Ahmed Draia University(艾哈迈德·德拉亚大学);GESIS – Leibniz-Institute for the Social Sciences(莱布尼茨社会科学研究所GESIS)
针对阿尔及利亚方言资源匮乏问题,构建了包含10,087个句子的FASSILA语料库,用于假新闻检测和情感分析,并提出标注方案,实验验证了BERT和ML模型的有效性。
2024-11-07 cs.CL
A Sentiment Analysis Approach to the Prediction of Market Volatility
Birkbeck, University of London(伦敦大学伯贝克学院)
未来波动率和收益的预测和量化在金融建模、投资组合优化和风险管理中起着重要作用。如今,自然语言处理允许处理新闻和社交媒体评论,以检测投资者信心的信号。我们探讨了从金融新闻和推文中提取的情绪与FTSE 100指数走势之间的关系。我们研究了特定日期的情绪指标与第二天观察到的市场波动和回报之间的相关性强度。研究结果表明,有证据表明情绪和股票市场走势之间的相关性:从新闻标题中捕捉的情绪可以作为预测市场回报的信号;同样的情况不适用于波动性。此外,在一个令人惊讶的发现中,对于Twitter评论中发现的情绪,我们获得了-0.7的相关系数,p值低于0.05,这表明在给定的一天从推文中捕获的积极情绪与第二天观察到的波动性之间存在强烈的负相关性。我们开发了一个准确的分类器,用于预测市场波动,以响应新信息的到来,通过部署主题建模,基于潜在的Dirichlet分配,从一组推文和金融新闻中提取特征向量。所获得的特征被用作分类器的附加输入。由于情感和主题建模的结合,我们的分类器实现了63%的波动方向预测准确率。
2020-12-10 cs.AI cs.CL q-fin.ST
Unraveling Media Perspectives: A Comprehensive Methodology Combining Large Language Models, Topic Modeling, Sentiment Analysis, and Ontology Learning to Analyse Media Bias
Institute of IT Management and Digitization Research (IFID)(信息管理与数字化研究学院)
本文提出结合层次主题建模、情感分析和大语言模型本体学习的可扩展媒体偏见分析方法,通过三个政治新闻案例验证其在多粒度识别事件选择、标签、用词及委托遗漏偏见方面的有效性。
2025-05-03 cs.AI cs.CL cs.IR
Sentence-Level Sentiment Analysis of Financial News Using Distributed Text Representations and Multi-Instance Learning
University of Freiburg(弗莱堡大学);University of Oxford(牛津大学)
研究人员和金融专业人士需要强大的计算机化工具,使用户能够快速操作和评估金融新闻中的语义文本内容。然而,现有的方法通常在文档级别工作,而对单个句子的实际结构和情感的更深层次的洞察仍然模糊不清。因此,投资者需要投入最大的注意力和详细的特定领域知识,以便在细粒度的基础上评估信息。为了方便这个手动过程中,本文提出了使用分布式文本表示和多实例学习的信息从文档级传输到文件级。与其他方法相比,该方法具有优越的预测性能,同时保留上下文和可解释性。我们对手动标记数据集的分析产生了高达69.90%的预测准确率,超过了替代方法至少3.80个百分点的性能。因此,这项研究不仅有利于投资者的财务决策,而且有助于公司按照预期传达信息。
2018-12-31 cs.CL cs.IR cs.LG
Beyond Sentiment: Comparing Traditional NLP and LLM-Based Multi-Dimensional Analysis for Political News Evaluation
Kakashi Ventures Accelerator (KVA)(卡卡西风险投资加速器(KVA));Newjee(新吉)
本文对比传统NLP的RoBERTa情感分析与基于LLM的多维框架分析,发现前者存在“中性坍缩”局限,后者可捕捉政治话语多维特征,更适配SSH研究需求。
2026-08-07 cs.AI cs.CL
BAR-Analytics: A Web-based Platform for Analyzing Information Spreading Barriers in News: Comparative Analysis Across Multiple Barriers and Events
本研究推出开源网络平台BAR-Analytics,以俄乌、巴以冲突为案例,整合四类分析方法处理超35万篇文章,揭示两类冲突报道的情感与主题差异及影响因素。
2025-03-31 cs.CL
FinGPT: Enhancing Sentiment-Based Stock Movement Prediction with Dissemination-Aware and Context-Enriched LLMs
本文提出一种数据驱动方法,通过融入新闻传播广度、上下文数据和明确指令来增强大语言模型在基于情感的股票走势预测中的表现,实验显示预测准确率提升8%。
2025-06-22 cs.CL cs.LG q-fin.CP
Understanding the Impact of News Articles on the Movement of Market Index: A Case on Nifty 50
Praxis Business School(普拉西斯商学院)
本文针对以往研究忽视新闻主题差异的问题,结合多主题新闻情感分析 Nifty 50 指数走势,证明非市场类主题情感也会显著影响指数。
2024-11-22 cs.CL cs.LG q-fin.ST
FEUP at SemEval-2017 Task 5: Predicting Sentiment Polarity and Intensity with Financial Word Embeddings
Faculdade de Engenharia da Universidade do Porto(波尔图大学工程学院);LIACC(人工智能与计算机科学实验室);INESC-TEC(系统与计算机工程、技术与科学研究所)
本文介绍了波尔图大学工程学院开发的方法,参加SemEval 2017,任务5:金融微博和新闻的细粒度情感分析。该任务包括预测一个从-1.0到+1.0的实际连续变量,代表对短文本中提到的公司/股票的情绪的极性和强度。我们将任务建模为回归分析问题,并将传统技术(如预处理短文本,词袋表示和基于词汇的特征)与增强的金融特定嵌入袋相结合。我们使用了一个外部集合的推文和新闻标题,提到公司/股票从标准普尔500创建金融词嵌入,能够捕捉特定领域的句法和语义相似性。在子任务5.1 -微博和子任务5.2 -新闻标题中,所得到的余弦相似度得分分别为0.69和0.68。
2017-04-17 cs.CL cs.IR