IER-SMCEM: Un Modelo de Reconocimiento de Expresiones Implícitas de Emojis en Comentarios de Redes Sociales Basado en Aprendizaje por Indicación
Autores: Zhang, Jun; Wang, Chaobin; Liu, Ziyu; Deng, Hongli; Li, Qinru; Zheng, Bochuan
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
IER-SMCEM: Un Modelo de Reconocimiento de Expresiones Implícitas de Emojis en Comentarios de Redes Sociales Basado en Aprendizaje por Indicación
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Análisis financiero
Análisis de texto
Comentarios en redes sociales
Emojis
Expresiones implícitas
Análisis de sentimientos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los métodos de análisis de texto financiero se emplean para examinar los comentarios en redes sociales, permitiendo a los inversores obtener información y tomar decisiones financieras informadas. Algunos emojis dentro de estos comentarios a menudo transmiten diversas semánticas, emociones o intenciones dependiendo del contexto. Sin embargo, los métodos tradicionales de análisis de texto financiero que dependen de anotaciones públicas tienen dificultades para identificar expresiones implícitas, lo que lleva a un rendimiento subóptimo. Para abordar este desafío, este documento propone un modelo de reconocimiento de expresiones implícitas de emojis en comentarios de redes sociales (IER-SMCEM). En primer lugar, IER-SMCEM diseña de manera innovadora un método de mejora de datos basado en la expresión implícita del emoji. Este método expande el conjunto de datos de análisis de sentimiento financiero de texto puro al conjunto de datos de expresión implícita de emojis mediante reemplazo homofónico. En segundo lugar, IER-SMCEM diseña una plantilla de aprendizaje por indicaciones para identificar la expresión implícita del emoji. A través de plantillas diseñadas a mano, los modelos de lenguaje a gran escala pueden predecir el verdadero significado que los emojis son más propensos a expresar. Finalmente, IER-SMCEM recupera la expresión implícita eligiendo las predicciones de los modelos. Así, el modelo de análisis de sentimiento financiero de abajo hacia arriba puede realizar de manera más precisa el reconocimiento de sentimiento del texto con emojis mediante el texto recuperado. Los resultados experimentales indican que IER-SMCEM logra una precisión del 98.03% en la recuperación semántica de expresiones implícitas dentro de textos financieros. En la tarea de análisis de sentimiento financiero, el modelo de análisis de sentimiento alcanza la mayor precisión del 3.99% después de restaurar la verdadera expresión implícita de los textos. Por lo tanto, el modelo puede aplicarse de manera efectiva al análisis de sentimiento o al análisis cuantitativo.
Descripción
Los métodos de análisis de texto financiero se emplean para examinar los comentarios en redes sociales, permitiendo a los inversores obtener información y tomar decisiones financieras informadas. Algunos emojis dentro de estos comentarios a menudo transmiten diversas semánticas, emociones o intenciones dependiendo del contexto. Sin embargo, los métodos tradicionales de análisis de texto financiero que dependen de anotaciones públicas tienen dificultades para identificar expresiones implícitas, lo que lleva a un rendimiento subóptimo. Para abordar este desafío, este documento propone un modelo de reconocimiento de expresiones implícitas de emojis en comentarios de redes sociales (IER-SMCEM). En primer lugar, IER-SMCEM diseña de manera innovadora un método de mejora de datos basado en la expresión implícita del emoji. Este método expande el conjunto de datos de análisis de sentimiento financiero de texto puro al conjunto de datos de expresión implícita de emojis mediante reemplazo homofónico. En segundo lugar, IER-SMCEM diseña una plantilla de aprendizaje por indicaciones para identificar la expresión implícita del emoji. A través de plantillas diseñadas a mano, los modelos de lenguaje a gran escala pueden predecir el verdadero significado que los emojis son más propensos a expresar. Finalmente, IER-SMCEM recupera la expresión implícita eligiendo las predicciones de los modelos. Así, el modelo de análisis de sentimiento financiero de abajo hacia arriba puede realizar de manera más precisa el reconocimiento de sentimiento del texto con emojis mediante el texto recuperado. Los resultados experimentales indican que IER-SMCEM logra una precisión del 98.03% en la recuperación semántica de expresiones implícitas dentro de textos financieros. En la tarea de análisis de sentimiento financiero, el modelo de análisis de sentimiento alcanza la mayor precisión del 3.99% después de restaurar la verdadera expresión implícita de los textos. Por lo tanto, el modelo puede aplicarse de manera efectiva al análisis de sentimiento o al análisis cuantitativo.