SentiCSE: A Sentiment-aware Contrastive Sentence Embedding Framework with Sentiment-guided Textual Similarity

最近，情感感知的预训练语言模型（PLMs）在下游情感分析任务中展示出了令人印象深刻的结果。然而，它们忽视了评估其构建的情感表示的质量；它们只关注于提高微调性能，这掩盖了表示质量。我们认为，在不保证表示质量的情况下，它们的下游性能可能高度依赖于微调数据的监督，而不是表示质量。这个问题将使它们难以进军其他情感相关领域，特别是在标记数据稀缺的情况下。我们首先提出了一种新的度量情感表示质量的指标——情感引导的文本相似度（SgTS），它是基于两个句子情感极性等价程度设计的。然后，我们提出了SentiCSE，一种新的情感感知对比句子嵌入框架，通过结合单词级和句子级目标来构建情感表示，其质量由SgTS保证。我们的工作与之前的情感感知PLMs进行了定性和定量比较，显示出了我们的优越性。我们的代码可在以下链接中找到：https://github.com/nayohan/SentiCSE。

论文试图解决如何评估情感表示质量的问题，并提出一种新的评估指标和相应的情感感知对比句子嵌入框架

论文提出了Sentiment-guided Textual Similarity（SgTS）指标来评估情感表示质量，并提出了SentiCSE框架来构建情感表示，该框架结合了词级和句子级目标，并通过SgTS保证表示质量

论文的实验结果表明，SentiCSE相比之前的情感感知PLMs具有更好的性能，论文的代码已在github上开源

最近的相关研究包括使用多任务学习来提高情感分析性能的论文《Multi-Task Learning for Sentiment Analysis using Neural Networks》