摘要
情感分析被广泛用于量化文本的情感基调。然而,许多预训练情感模型仅针对短文本输入设计,在面对较长的文本集合甚至完整文档时可能会表现不佳。当需要连续的情感评分范围而非简单的正面、中性或负面标签时,这些局限性尤为关键。本研究在句子级、段落级和文档级基准数据集上评估了十六个预训练情感模型,以确定它们在归一化输出尺度上的连续情感评分兼容性。为减轻输入截断的影响并保留较长文本的情感粒度,为每个兼容模型添加了一个增强层,该层通过加权聚合和滑动窗口句子聚合来组合句子级、段落级和文档级的情感估计值。模型性能通过相对于真实基准数据集的均方根误差(RMSE)进行计算,并通过评分分布和残差相关性进一步考察模型行为。结果表明,增强层通常能提高段落级和文档级文本的性能,在文档级的改善更为显著。在所评估的预训练模型中,DeBERTa在基准性能和连续评分分辨率之间提供了最佳的整体平衡,使其成为下游情感分析中最值得推荐的模型,尽管最强的候选模型之间观察到较高的排名一致性。


