On the Causal Nature of Sentiment Analysis

情感分析（SA）旨在识别文本中表达的情感，比如产品评论。本文将SA定义为两个任务的组合：（1）因果关系发现任务，区分评论是“引导”情感（因果假设C1），还是情感“引导”评论（因果假设C2）；（2）传统的预测任务，使用评论作为输入来建模情感。使用心理学中的“高峰结束规则”，我们将样本分类为C1，如果其总体情感得分近似于评论中所有句子级情感的平均值，将其分类为C2，如果总体情感得分近似于峰值和结束情感的平均值。对于预测任务，我们使用样本发现的因果机制，通过提出因果提示，给模型一个潜在因果图的归纳偏差，从而提高LLMs的性能，使零-shot五类SA的F1分数提高了32.13个百分点。我们的代码在https://github.com/cogito233/causal-sa。

本论文试图解决情感分析中的因果关系问题，即是评论影响情感还是情感影响评论。同时，论文也旨在提高情感分析模型的性能。

本论文将情感分析分为两个任务：因果关系发现任务和情感预测任务。通过心理学中的峰值端点规则，将样本分类为C1或C2类别，并使用发现的因果机制提出因果提示，以提高情感预测任务的性能。

本论文提出了一种新的情感分析方法，通过因果关系的发现和因果提示的使用，大幅提高了情感预测任务的性能。实验结果表明，该方法在零样本五类情感分析任务中的F1分数提高了32.13个百分点。此外，论文的代码已经开源。

近期在情感分析领域的相关研究包括：1.《Attention Is All You Need》；2.《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》；3.《XLNet: Generalized Autoregressive Pretraining for Language Understanding》等。