Resumo Técnico: Enriquecimento Semântico de Microblogs de Investidores para Análise de Emoção Consciente de Opinião

Declaração do Problema

Embora a análise de sentimentos seja um pilar do Processamento de Linguagem Natural (PLN) financeiro, capturar as nuances do porquê de um sentimento existir permanece um desafio significativo. Abordagens existentes frequentemente analisam emoções de investidores juntamente com o sentimento, mas carecem da granularidade para identificar os alvos específicos dessas emoções. A literatura atual transitou de sentimentos binários para categorias emocionais mais ricas (por exemplo, classificações de Ekman ou Plutchik), contudo, persiste uma lacuna na integração dessas categorias emocionais com opiniões de alta granularidade que incluam alvos específicos e contexto semântico profundo. Este artigo aborda a necessidade de avançar além da simples categorização emocional para uma representação que integre semântica de opinião, visando especificamente a interação entre os estados emocionais dos investidores e a semântica estruturada das opiniões.

Metodologia

A abordagem proposta envolve um pipeline de três etapas: aumento de conjunto de dados, codificação semântica baseada em grafos e fusão de características para classificação.

1. Aumento de Conjunto de Dados via LLM

Os autores aumentam o conjunto de dados StockEmotions (coletado do StockTwits) com representações de opinião de alta granularidade baseadas na ontologia Unified Opinion Concepts (UOC).

• Processo: Um pipeline declarativo de Modelo de Linguagem de Grande Escala (LLM), utilizando especificamente o Qwen3.5-35B e o Otimizador de Proposta de Instrução Multi-prompt (MIPRO), gera anotações de opinião para 10.000 comentários. Esta abordagem evita prompts ingênuos ao otimizar automaticamente instruções e exemplos em contexto.
• Esquema de Anotação: O aumento extrai cinco componentes-chave para cada opinião:
  • Sentimento: Polaridade (positivo/negativo/neutro), intensidade e expressão.
  • Alvo: A entidade sendo discutida (por exemplo, "Bateria").
  • Aspecto: O atributo específico do alvo (por exemplo, "durabilidade da bateria").
  • Detentor: O indivíduo ou organização expressando a opinião.
  • Qualificador: O grupo ou contexto ao qual a opinião se refere.

2. Arquitetura de Rede Neural de Grafos (GNN)

A inovação central reside na integração dessas semânticas de opinião em um modelo de classificação usando Redes Neurais de Grafos.

• Construção do Grafo: Para cada sequência de texto, o sistema constrói subgrafos de opinião onde os nós representam o Detentor, Alvo, Aspecto, Qualificador e Sentimento. As arestas codificam as relações e a polaridade de sentimento entre esses nós.
• Passagem de Mensagens: O modelo emprega uma Rede de Atenção em Grafos (GATv2) para agregar informações de nós vizinhos. Isso permite que o modelo aprenda representações semânticas paramétricas da estrutura da opinião.
• Fusão de Características: As representações em nível de grafo são mapeadas de volta para o nível de sequência e fundidas com os embeddings de transformadores de base (de BERT ou RoBERTa). Os autores experimentam três mecanismos de fusão:
  1. Concatenação: Concatenação simples de vetores.
  2. Fusão com Portão: Um mecanismo que permite ao modelo ponderar dinamicamente a importância do texto versus a semântica da opinião.
  3. Fusão por Atenção: Um mecanismo de atenção de produto escalar que modela a interatividade entre espaços de características.
• Conexão Residual: Um estágio residual preserva o contexto textual original ao adicionar as características de sequência de base de volta à representação fundida.

Principais Contribuições

1. Aumento de Conjunto de Dados: A criação de um conjunto de dados StockEmotions aumentado, enriquecido com anotações de opinião detalhadas e de alta granularidade derivadas da ontologia UOC, utilizando um pipeline orientado por LLM.
2. Integração Arquitetônica: A proposta de um método inovador para integrar semânticas de opinião UOC em classificadores de modelos de linguagem pré-treinados usando Redes Neurais de Grafos.
3. Avaliação Empírica: Uma avaliação abrangente de LLMs de última geração (GPT-5, Qwen-3.5) contra modelos codificadores ajustados (BERT, RoBERTa) aprimorados com GNNs para classificação de emoção em textos financeiros.

Resultados

O estudo avalia o desempenho em 12 categorias emocionais distintas e grupos de valência agregados (Positivo, Negativo, Ambíguo).

• Ganhos de Desempenho: A integração de GNNs melhorou significativamente o desempenho da linha de base BERT. A variante BERT-GNN alcançou uma pontuação F1-macro de 37,88, uma melhoria de mais de 4,5 pontos em comparação com a linha de base BERT padrão (33,25), com significância estatística ($p \approx 0,001$).
• Especificidades por Categoria:
  • O BERT-GNN mostrou melhorias notáveis em "Ansiedade" (50,19), "Empolgação" (48,25) e "Ambiguidade" (23,12).
  • O RoBERTa-GNN alcançou as pontuações mais altas para "Depressão" (41,86) e "Nojo" (45,36), embora o aumento geral do macro-F1 tenha sido marginal (de 37,57 para 38,01) e não estatisticamente significativo via teste de McNemar, embora as mudanças na atribuição de rótulos tenham sido significativas.
  • Codificadores de Base vs. LLMs Generativos: Modelos codificadores ajustados (BERT/RoBERTa) superaram significativamente grandes modelos generativos (GPT-5, GPT-5-MINI, Qwen-3.5-35B) em configuração zero-shot. Os modelos generativos lutaram particularmente com "Ambiguidade", "Crença" e "Nojo", frequentemente caindo para pontuações F1 de um dígito.
• Análise de Valência: Os modelos aprimorados com GNN demonstraram robustez superior na classificação de emoções "Ambíguas" e "Negativas" em comparação com LLMs generativos, que performaram bem em emoções "Positivas", mas falharam nas demais.

Significado e Alegações

O artigo afirma que a incorporação de representações de opinião semanticamente ricas melhora significativamente a precisão da previsão dos estados emocionais dos investidores, particularmente para emoções complexas ou ambíguas. Os autores afirmam que:

• Semântica de Opinião Importa: O "porquê" por trás do sentimento (capturado via UOC) fornece a granularidade necessária que melhora o desempenho da classificação em diferentes espectros emocionais.
• Codificadores Específicos da Tarefa Superam LLMs Gerais: Para tarefas específicas de classificação de emoção financeira, modelos codificadores ajustados, aumentados com raciocínio semântico baseado em grafos, superam LLMs generativos maiores e de propósito geral, especialmente na detecção de sentimentos negativos e ambíguos.
• Utilidade Prática: O pipeline declarativo de LLM proposto oferece uma abordagem prática para enriquecer conjuntos de dados existentes sem exigir aprendizado paramétrico para o próprio processo de anotação, preenchendo a lacuna entre texto bruto e análise de opinião estruturada.

O trabalho conclui que, embora os grandes modelos de linguagem mostrem promessa em cenários zero-shot para sentimentos positivos, eles atualmente carecem da precisão necessária para análise de emoção financeira matizada, onde arquiteturas conscientes de opinião e aprimoradas com grafos fornecem uma solução mais eficaz.