摘要

面向方面的 sentiment 分析（ABSA）已经在多个行业中得到了研究，但在金融领域的探索仍然相对较少。近期，来自 WWW '18 会议附带论文集的开放挑战数据集（FiQA）的发布为金融领域提供了宝贵的特定注释。尽管 FiQA 包含高质量的标签，但其数据量仍不足以应用传统的 ABSA 深度学习架构。在本文中，我们采用了高层次的语义表示方法以及自然语言处理中的归纳迁移学习方法。我们对最近开发的领域适应方法和目标任务微调进行了扩展实验，这些方法在小数据集上显著提高了性能。我们的结果显示，在分类任务中 F1 分数提高了 8.7%，在回归任务中均方误差（MSE）降低了 11%，相较于当前最先进的结果有了明显改进。