使用句法和语义上下文评估摘要 (SSAS) 进行情感预测的一致性分析

使用 大语言模型 (LLM) 进行可靠的企业级分析（例如情绪预测）的根本挑战是 LLM 固有的随机性（生成性、非确定性性质）与一致性分析要求之间的冲突。 LLM 的不一致，加上混乱的现代数据集的嘈杂本质，使得情绪预测对于战略业务决策来说过于不稳定。为了解决这个问题，我们提出了一个用于建立上下文的句法和语义上下文评估总结（SSAS）框架。 SSAS 建立的上下文充当复杂的数据预处理框架，在 LLM 上强制执行有限注意机制。它通过应用分层分类结构（主题、故事、集群）和基于迭代摘要（SoS）的上下文计算架构来实现这一点。这赋予原始文本高信号、情感密集的提示，从而有效地减少不相关的数据和分析方差。我们使用 Gemini 2.0 Flash Lite 对照直接 LLM 方法，在三个行业标准数据集（Amazon Product Reviews、Google Business Reviews、Goodreads Book Reviews）和多个稳健性场景中，根据经验评估了 SSAS 的功效。我们的结果表明，我们的 SSAS 框架能够通过噪声消除和情感预测估计改进的结合，显着提高数据质量，最高可达 30%。最终，我们上下文估计能力的一致性为决策提供了稳定可靠的证据基础。