遇险模型：法国综合社交媒体的情感分析

对社交媒体上的客户反馈进行自动分析受到三个挑战的阻碍：带注释的训练数据成本高昂、评估集稀缺（尤其是在多语言环境中）以及阻碍数据共享和可重复性的隐私问题。我们通过开发一个通用的合成数据生成管道来解决这些问题，该管道应用于法国公共交通中客户困境检测的案例研究。我们的方法利用带有微调模型的反向翻译，从小型种子语料库生成 170 万条合成推文，并辅以合成推理痕迹。我们使用英语和法语推理训练 6 亿参数推理机，在人工注释的评估数据上实现 77-79% 的准确率，匹配或超过 SOTA 专有的 LLM 和专用编码器。除了降低注释成本之外，我们的管道还通过消除敏感用户数据的暴露来保护隐私。我们的方法可以用于其他用例和语言。