情感分析相关 AI 资讯 · AI 热点

8月12日

18:01

18:01

官方账号arXiv cs.AI@Girma Yohannis Bade, Olga Kolesnikova, Jose Luis Oropeza, Grigori Sidorov

该研究针对社交媒体政治话语，设计并评估了基于XGBoost和BERT的两种多类情感分析模型。在标注的政治社交媒体帖子数据集上，XGBoost模型测试集F1分数为0.2835，BERT模型为0.2806。结果显示政治话语情感分类的复杂性，为未来多类政治情感分析提供基线。

论文 XGBoost BERT 情感分析

推荐理由：想了解政治文本情感分类的难度？这篇论文用XGBoost和BERT实测，F1都不到0.3，看看数据有多难搞。

7月14日

12:13

12:13

官方账号arXiv cs.AI@Ziv Ben-Zion, Teddy Lazebnik

一篇发表于arXiv的现场实验研究了AI辅助写作对职场邮件接收者行为的影响。121名员工在3周内发送了16,880封邮件，对比无辅助、GPT-5俏皮改写和GPT-5专业改写三种条件。俏皮改写使情绪正向性提升（B=+0.068, p<0.001），专业改写则降低（B=-0.041, p<0.001）。但两种改写均未直接改变邮件打开率、回复率或响应时间。进一步分析发现，发件人的情绪正向性显著预测打开（OR=2.05）和回复（OR=3.32, p<0.001），表明AI通过改变语言情感间接影响行为。

论文 GPT-5 AI写作职场沟通

推荐理由：这篇论文不是教你怎么用AI写邮件，而是用真实实验数据告诉你：AI改写邮件语气不会直接提高回复率，但会让读邮件的人感觉更积极，从而更愿意打开和回复。

6月19日

10:12

10:12

官方账号arXiv cs.AI@Celestine Achi

论文提出九维意义智能框架（MIF），用于尼日利亚公共话语的上下文感知评估。现有基准NaijaSenti和AfriSenti仅做三向情感分类。MIF在30项校准数据集上评估Gemini 2.5 Flash，零样本下注册分类准确率33.3%，使用MIF后升至73.3%。复合意义智能分数从73.2升至78.6。编码潜台词检测提升10点，战略行动推荐提升10.3点。框架、指南和校准集已开源。

论文 MIF Gemini 2.5 Flash NaijaSenti

推荐理由：这篇论文发现AI在尼日利亚话语中常误解真实意图，他们设计的MIF框架让Gemini 2.5 Flash的注册识别准确率从33%跳到73%，成果很实在。

6月16日

09:47

09:47

官方账号arXiv cs.LG@Hangling Xie

该论文提出MAF（多模态自适应少样本提示）框架，用于提升多模态大语言模型在情感分析任务中的表现。MAF动态检索与查询相关的演示样本，通过编码面部表情、场景上下文和文本语义，并引入唇动幅度检测机制在多人场景中准确识别说话人。一个轻量级系数生成网络被训练用于实时输出查询条件化融合权重，加权聚合多模态相似度以选取Top-K信息量最大的示例。在多个公开基准数据集上，MAF相比骨干模型取得显著且一致的性能提升，并与强基线方法保持竞争力。

论文 MAF MLLM 情感分析

推荐理由：这篇论文提出MAF，能根据输入动态挑选示例来引导MLLM做情感分析，在多个数据集上效果提升明显，比固定提示强很多。

5月21日

09:46

09:46

官方账号arXiv cs.AI@Yan Xia, Zhuangzhuang Pan, Amirrudin Kamsin, Chee Seng Chan

精选

多方面情感分析（ATSA）中，现有模型要么为每个方面重新编码句子，要么静态使用深层表示，导致计算冗余和适应性不足。DABS 提出单次推理框架，仅对句子编码一次，构建可复用的深度排序基板，每个方面通过查询该基板选择性读取相关 token 和抽象层级，无需重新编码。在四个基准测试中，DABS 在保持竞争性能的同时，将端到端计算量减少高达 60%，尤其在否定和对比等复杂语言场景中优势明显。代码已开源。

论文情感分析单次推理深度选择性读取

推荐理由：做情感分析或文本分类的团队，DABS 用单次编码解决了多方面的计算冗余问题，直接复用编码结果能省 60% 算力，建议试试这个轻量方案。