技術的概要：意見認識型感情分析のための投資家マイクロブログのセマンティック強化

問題定義

感情分析は金融分野の自然言語処理（NLP）の定番であるが、感情が存在する「理由」のニュアンスを捉えることは依然として重大な課題である。既存のアプローチは投資家の感情を感情分析 alongside に分析することが多いが、これらの感情の具体的な対象を特定するための粒度が不足している。現在の文献は二値の感情からエックマンやプルチキの分類のようなより豊かな感情カテゴリーへと移行しているが、特定の対象と深いセマンティック文脈を含む微細な意見と、これらの感情カテゴリーを統合する点には依然としてギャップが存在する。本論文は、単純な感情分類を超え、投資家の感情状態と意見の構造化されたセマンティクスとの相互作用を特にターゲットとした、意見セマンティクスを統合した表現への移行の必要性に取り組む。

手法

提案されるアプローチは、データセット拡張、グラフベースのセマンティック符号化、分類のための特徴融合という 3 段階のパイプラインを含む。

1. LLM によるデータセット拡張

著者らは、StockTwits から収集されたStockEmotionsデータセットを、Unified Opinion Concepts (UOC) オントロジーに基づく微細な意見表現で拡張する。

• プロセス: Qwen3.5-35B と Multi-prompt Instruction Proposal Optimiser (MIPRO) を利用した宣言型大規模言語モデル（LLM）パイプラインが、1 万件のコメントに対する意見注釈を生成する。このアプローチは、指示とコンテキスト内例を自動的に最適化することで、単純なプロンプトングを回避する。
• 注釈スキーマ: 拡張は、各意見について 5 つの主要コンポーネントを抽出する。
  • Sentiment（感情）: 極性（肯定/否定/中立）、強度、表現。
  • Target（対象）: 議論されているエンティティ（例：「バッテリー」）。
  • Aspect（側面）: 対象の特定の属性（例：「バッテリー寿命」）。
  • Holder（保有者）: 意見を表明する個人または組織。
  • Qualifier（限定詞）: 意見が関連するグループまたは文脈。

2. グラフニューラルネットワーク（GNN）アーキテクチャ

核心的な革新は、これらの意見セマンティクスをグラフニューラルネットワークを使用して分類モデルに統合することにある。

• グラフ構築: 各テキストシーケンスに対して、ノードが Holder、Target、Aspect、Qualifier、Sentiment を表す意見サブグラフを構築する。エッジはこれらのノード間の関係と感情極性を符号化する。
• メッセージパッシング: モデルは近傍ノードからの情報を集約するためにGraph Attention Network (GATv2) を採用する。これにより、モデルは意見構造のパラメトリックなセマンティック表現を学習できる。
• 特徴融合: グラフレベルの表現はシーケンスレベルにマッピングされ、ベースラインのトランスフォーマー埋め込み（BERT または RoBERTa から）と融合される。著者らは 3 つの融合メカニズムを実験する。
  1. Concatenation（連結）: 単純なベクトル連結。
  2. Gated Fusion（ゲート融合）: テキスト対意見セマンティクスの重要性をモデルが動的に重み付けすることを可能にするメカニズム。
  3. Attention Fusion（アテンション融合）: 特徴空間間の相互作用をモデル化するドット積アテンションメカニズム。
• 残差接続: 残差ステージは、ベースラインのシーケンス特徴を融合表現に追加することで、元のテキスト文脈を保持する。

主要な貢献

1. データセット拡張: LLM 駆動パイプラインを用いて UOC オントロジーから導き出された詳細な微細な意見注釈で強化された、拡張された StockEmotions データセットの作成。
2. アーキテクチャ統合: グラフニューラルネットワークを使用して、事前学習済み言語モデル分類器に UOC 意見セマンティクスを統合する新しい手法の提案。
3. 実証的評価: 金融テキストにおける感情分類のために GNN で強化された微調整済みエンコーダモデル（BERT、RoBERTa）に対する、最先端の LLM（GPT-5、Qwen-3.5）の包括的な評価。

結果

本研究は、12 の異なる感情カテゴリーと集約された価性グループ（肯定、否定、曖昧）にわたるパフォーマンスを評価する。

• パフォーマンス向上: GNN の統合はBERTベースラインのパフォーマンスを大幅に向上させた。BERT-GNNバリアントは、標準的な BERT ベースライン（33.25）と比較して 4.5 ポイント以上改善された F1 マクロスコア37.88を達成し、統計的有意性（$p \approx 0.001$）を示した。
• カテゴリー別詳細:
  • BERT-GNNは、「不安」（50.19）、「興奮」（48.25）、「曖昧さ」（23.12）において顕著な改善を示した。
  • RoBERTa-GNNは、「抑うつ」（41.86）と「嫌悪」（45.36）で最高スコアを達成したが、全体的なマクロ F1 の増加はわずか（37.57 から 38.01）であり、マクネマー検定では統計的に有意ではなかったが、ラベル割り当ての変更は有意であった。
  • ベースラインエンコーダ対生成 LLM: 微調整済みエンコーダモデル（BERT/RoBERTa）は、ゼロショット設定において大規模な生成モデル（GPT-5、GPT-5-MINI、Qwen-3.5-35B）を大幅に上回った。生成モデルは特に「曖昧さ」、「信念」、「嫌悪」で苦戦し、F1 スコアが単一桁に落ち込むことが多かった。
• 価性分析: GNN 強化モデルは、生成 LLM に比べて「曖昧」および「否定」感情の分類において優れた頑健性を示した。生成 LLM は「肯定」感情ではよく機能したが、他の感情では失敗した。

意義と主張

本論文は、セマンティックに豊かな意見表現を組み込むことが、特に複雑または曖昧な感情に対して投資家の感情状態の予測精度を大幅に向上させると主張している。著者らは以下を主張する。

• 意見セマンティクスの重要性: 感情の背後にある「理由」（UOC によって捉えられる）は、異なる感情スペクトル全体にわたって分類パフォーマンスを向上させるために必要な粒度を提供する。
• タスク固有エンコーダは汎用 LLM を上回る: 特定の金融感情分類タスクでは、グラフベースのセマンティック推論で強化された微調整済みエンコーダモデルは、より大規模で汎用的な生成 LLM、特に否定的および曖昧な感情の検出において上回る。
• 実用性: 提案された宣言型 LLM パイプラインは、注釈プロセス自体にパラメトリック学習を必要とせずに既存のデータセットを強化する実用的なアプローチを提供し、生テキストと構造化された意見分析の間のギャップを埋める。

本研究は、大規模言語モデルが肯定的な感情のゼロショットシナリオでは有望であることを示しているが、意見認識型でグラフ強化されたアーキテクチャがより効果的な解決策を提供する、ニュアンスに富んだ金融感情分析に必要な精度を現時点では欠いていると結論付けている。