MultiGranular Sentiment Intensity Augmentation with Ordinal Contrastive Learning for Enhanced Sentiment Classification
Notice bibliographique
Résumé
Current sentiment analysis approaches rely on coarse-grained classification, failing to capture the nuanced intensity variations that characterize human emotional expression. We propose Multi-Granular Sentiment Intensity Augmentation (MGSIA), a systematic framework that generates five-level sentiment intensity spectra using Large Language Models (LLMs) and employs ordinal contrastive learning to preserve intensity relationships in embedding space.MGSIA combines three key innovations: (1) LLM-based intensity-aware data augmentation that generates semantically coherent sentiment variations, (2) ordinal contrastive learning that respects intensity hierarchies, and (3) a unified loss function integrating classification, ordinal consistency, and contrastive objectives.Comprehensive experiments on three benchmark datasets (SST-5, IMDB, and Yelp) demonstrate consistent improvements over state-of-the-art methods, with an average accuracy gain of 2.3% across all datasets. MGSIA achieves particularly strong performance on challenging neutral sentiment classification (+5.6% improvement) and fine-grained sentiment tasks (+3.1% on SST-5). Ablation studies confirm that each component contributes meaningfully, with the complete framework yielding a total 5.2% accuracy improvement over baseline approaches. Our approach addresses a gap in sentiment analysis by providing both robust classification performance and interpretable intensity-aware predictions for enhanced sentiment understanding.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».