SemEval-2026任务3：Transformer与LLM注释驱动维度情感分析

背景

情感分析（Sentiment Analysis）长期以来依赖离散的情感分类（如正面、负面或中性）。然而，人类情感的表达往往是连续的、多维的，仅用离散标签难以捕捉诸如“非常积极但带有强烈激动”等细微差别。SemEval 是全球计算语义学领域的顶级评测系列任务，SemEval-2026 Task 3 提出了 Dimensional Aspect-Based Sentiment Analysis（维度方面情感分析），要求参与者预测情感的两个连续维度值：valence（效价，即积极程度）和 arousal（唤醒度，即情感强度），同时在方面层面进行细粒度抽取。该任务包括两个子任务：Subtask 1 针对给定方面预测 valence/arousal 数值；Subtask 3 则要求完整抽取情感元素（方面、类别、观点）及其对应的数值分数。The Classics 团队（论文作者团队）提交了本文所述的方法，探索如何结合 Transformer 编码模型和大语言模型（LLM）生成的人工标注来应对这一挑战。

核心内容

本文提出一套结合 Transformer 模型与 LLM 生成标注的方案，用于解决 SemEval-2026 Task 3 中的回归与抽取任务。具体方法如下：

回归任务（Subtask 1）
采用基于 Transformer 的编码器模型组成的加权集成（weighted ensemble）。对于俄语语言，团队额外利用一个大型语言模型（LLM）来生成合成情感描述（synthetic sentiment descriptions），并将这些描述作为输入特征增强，以提高预测 valence 和 arousal 连续分数的准确度。集成模型通过加权投票融合多个预训练编码器的输出，每个子模型的权重依据验证集表现动态调整。

抽取任务（Subtask 3）
团队微调了一个解码器大语言模型（decoder LLM）来执行结构化预测（structured prediction）。该模型在一条流水线中同时完成两个方面的工作：识别情感元素（aspect, category, opinion）和估计这些元素对应的连续数值分数。通过将抽取与回归任务耦合，模型避免了传统流水线中的错误传播问题，并能够利用解码器对序列结构的建模能力输出完整的元组。

论文的核心贡献在于：证明了 LLM 生成的合成标注（尤其是在资源较少的语种如俄语上）能有效提升回归模型的性能；同时，统一的解码器架构可同时胜任元素抽取与数值预测，为维度情感分析提供了一种简洁端到端的方案。

关键要点

• 情感分析从离散分类扩展到连续维度（valence & arousal），是任务的核心创新。
• 回归模型采用加权集成 Transformer 编码器，对俄语使用 LLM 生成合成情感描述作为额外输入。
• 抽取任务使用微调的解码器 LLM 进行结构化预测，统一处理方面、类别、观点的识别与情感分数的输出。
• LLM 生成的合成数据在资源有限的语种（俄语）上表现出显著的提升效果。
• 实验基于 SemEval-2026 Task 3 的官方数据，论文尚未完全公开测试结果，但方法设计具有通用性。

意义与影响

该工作推动了情感分析向连续、多维表示方向发展，为实际应用（如用户评论细粒度分析、对话情感跟踪）提供了更精确的工具。通过引入 LLM 生成合成标注，展示了在不依赖大量人工标注的情况下增强低资源语言情感建模的可行性。此外，将解码器 LLM 用于结构化情感抽取，减少了传统序列标注+回归的多阶段复杂度，为未来情感分析系统的端到端设计提供了新思路。该研究也呼应了学术界对情感计算从分类走向维度化、从单语言走向多语言的需求，在评测任务中的表现有望为后续研究设立基线。