EFSA: Towards Event-Level Financial Sentiment Analysis

本文将金融情感分析（FSA）扩展到事件级别，因为事件通常是金融文本中情感的主题。尽管从金融文本中提取事件可能有助于准确的情感预测，但由于金融文本中事件的冗长和不连续性，这也存在着特殊的挑战。为此，我们重新构思了事件提取，将其设计为一项分类任务，并设计了包括粗粒度和细粒度事件类别的分类。在这种设置下，我们制定了事件级别金融情感分析（EFSA）任务，从金融文本中输出包含（公司、行业、粗粒度事件、细粒度事件、情感）的五元组。我们公开了一个大规模的中文数据集，其中包含12,160篇新闻文章和13,725个五元组，作为我们任务的全新测试平台。我们为这个任务设计了一个基于四跳思维链的LLM方法。我们对数据集进行了系统的调查，实证结果表明，现有方法和我们提出的方法的基准分数都可以达到当前的最新水平。我们的数据集和框架实现可以在https://anonymous.4open.science/r/EFSA-645E上获得。

本论文试图解决从金融文本中提取事件并进行情感分析的问题，提出了基于事件级别的金融情感分析任务（EFSA），并公开了一个包含12160篇新闻文章和13725个五元组的大规模中文数据集作为测试基准。

本论文的关键思路是将事件提取看作是一个分类任务，并设计了粗粒度和细粒度两个事件类别，通过四跳思考链式逻辑回归模型来实现EFSA任务。

本论文提出了EFSA任务和一个大规模中文数据集，并设计了四跳思考链式逻辑回归模型来解决该任务。实验结果表明，该模型在该数据集上的表现优于现有方法。论文还公开了数据集和代码。

最近在该领域中，还有一些相关研究，例如《A Survey on Sentiment Analysis of Financial News: Concepts, Applications, and Research Trends》、《BERT for Event Extraction and Event-Based Question Answering》等。