生成式人工智能时代的情感分析

2024年4月15日（更新于2024年5月8日）

作者： Jan Ole Krugmann, Jochen Hartmann

摘要

在飞速发展的生成式人工智能时代，ChatGPT 等大语言模型（LLMs）正处于颠覆营销实践与研究的最前沿。本文全面探讨了大语言模型在情感分析方面的能力。情感分析是营销研究中理解消费者情绪、观点和感知的一项核心任务。我们将三种最先进的大语言模型，即 GPT-3.5、GPT-4 和 Llama 2，与已有的高性能迁移学习模型进行基准比较。尽管大语言模型采用零样本方式，我们的研究表明，在情感分类准确率方面，大语言模型不仅能够与传统迁移学习方法相媲美，在某些情况下甚至更胜一筹。我们考察了文本数据特征和分析程序对分类准确率的影响，揭示了数据来源、文本复杂度和提示技术如何影响大语言模型的表现。我们发现，包含较长且富含内容的词语等语言特征会提升分类表现，而单句评论和结构较松散的社交媒体文本等其他特征则会降低表现。此外，我们还探讨了大语言模型所生成情感分类的可解释性。结果表明，大语言模型，尤其是 Llama 2，能够提供出色的分类解释，体现出其先进的类人推理能力。总体而言，本文深化了当前对情感分析的理解，为营销研究者和从业者在生成式人工智能时代选择合适的方法提供了有价值的见解和指导。

本文针对生成式人工智能背景下的情感分析开展了全面研究，重点关注 GPT-3.5、GPT-4 和 Llama 2 等大语言模型（LLMs）的能力，并将这些模型在情感分类任务中的表现与 SiEBERT 和 RoBERTa 等传统迁移学习模型进行比较。

该研究考察了大语言模型在多种文本数据类型上进行零样本情感分析的能力，发现大语言模型能够有效地与传统方法竞争，有时甚至超越传统方法。研究深入分析了文本复杂度、来源和长度等不同数据特征如何影响分类准确率。此外，论文还考察了大语言模型所生成情感分类的可解释性，表明 Llama 2 等较新的模型能够提供更易理解、更详细的解释，从而比 GPT-3.5 等较早的模型更具实用价值。

作者得出结论：大语言模型是一种强大而灵活的情感分析工具，无需针对具体任务进行大量模型训练即可达到较高的准确率。这一特点使其对营销从业者和研究者都颇具吸引力，并在各种应用中大幅简化了情感分析流程。