Large Language Models Meet Text-Centric Multimodal Sentiment Analysis: A Survey

与仅考虑文本的传统情感分析相比，多模态情感分析需要同时考虑来自多模态来源的情感信号，因此更符合人类在现实场景中处理情感的方式。它涉及处理来自各种来源的情感信息，例如自然语言、图像、视频、音频、生理信号等。然而，尽管其他模态也包含不同的情感线索，但自然语言通常包含更丰富的上下文信息，因此在多模态情感分析中始终占据关键位置。ChatGPT的出现为将大型语言模型（LLM）应用于以文本为中心的多模态任务开辟了巨大潜力。然而，现有的LLM如何更好地适应以文本为中心的多模态情感分析任务尚不清楚。本综述旨在（1）全面回顾最近在以文本为中心的多模态情感分析任务方面的研究，（2）检查LLM在以文本为中心的多模态情感分析中的潜力，概述它们的方法、优势和局限性，（3）总结基于LLM的多模态情感分析技术的应用场景，以及（4）探讨未来多模态情感分析的挑战和潜在研究方向。

多模态情感分析中的大语言模型适应问题

本文综述了近年来文本为中心的多模态情感分析的研究进展，并探讨了大语言模型在该领域的应用潜力、方法、优势和局限性。

论文介绍了目前多模态情感分析中的主要数据集、评估指标和模型。同时，探讨了大语言模型在文本为中心的多模态情感分析中的应用，包括基于预训练模型的方法和联合训练模型的方法。此外，还讨论了多模态情感分析的应用场景、挑战和未来研究方向。

相关论文包括：“A Survey on Multimodal Sentiment Analysis”、“Multimodal Sentiment Analysis: Addressing Key Issues and Setting up Baselines”、“Multimodal Sentiment Analysis Using Deep Learning: An Overview”等。