大型语言模型的贝叶斯网络融合在情感分析中的应用

于红博

摘要: 大型语言模型（LLMs）不断进步，出现了越来越多的针对特定领域任务定制的变体。然而，这些模型通常缺乏透明度和可解释性，调整成本高昂，需要大量提示工程，在不同领域产生结果不一致，并且由于其高计算需求而对环境造成重大不利影响。为了解决这些挑战，我们提出了贝叶斯网络LLM融合（BNLF）框架，通过概率机制集成来自三个LLMs（包括FinBERT、RoBERTa和BERTweet）的预测，用于情感分析。BNLF通过将多个LLMs的情感预测建模为贝叶斯网络中的概率节点，进行延迟融合。在具有不同语言和上下文特征的三个人工标注的金融语料库上进行评估，BNLF相对基准LLMs表现出约百分之六的一致准确率增益，突显了其对数据集变异性的稳健性和概率融合对可解释情感分类的有效性。

更新时间: 2025-10-30 13:37:58

领域: cs.CL,cs.AI

下载: http://arxiv.org/abs/2510.26484v1