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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».