Why We Feel What We Feel: Joint Detection of Emotions and Their Opinion Triggers in E-commerce

📄 arXiv: 2507.04708v1 📥 PDF

作者: Arnav Attri, Anuj Attri, Pushpak Bhattacharyya, Suman Banerjee, Amey Patil, Muthusamy Chelliah, Nikesh Garera

分类: cs.CL

发布日期: 2025-07-07

备注: 23 pages, 11 figures, 7 tables. Dataset and code will be made publicly available

💡 一句话要点

提出EOT-DETECT框架，联合检测电商评论中的情绪及其触发因素。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 情绪检测 观点触发因素提取 电商评论 大型语言模型 结构化提示 自反思 情感分析 EOT-DETECT

📋 核心要点

  1. 现有方法缺乏对电商评论中情绪及其触发因素的联合建模，无法深入理解用户情感。
  2. 论文提出EOT任务和EOT-DETECT框架，通过结构化提示和自反思，提升情绪和触发因素检测效果。
  3. 实验表明，EOT-DETECT在EOT-X数据集上优于零样本和思维链方法，验证了其有效性。

📝 摘要（中文）

电商平台上的客户评论蕴含着驱动购买决策的关键情感信号。然而，目前尚无研究探索电商评论中情绪检测和解释性跨度识别的联合任务，这阻碍了我们理解客户情感反应的触发因素。为了弥补这一差距，我们提出了一个新颖的联合任务，即情绪检测和观点触发因素提取（EOT），它明确地模拟了因果文本跨度（观点触发因素）和情感维度（情绪类别）之间的关系，并以Plutchik的8种主要情绪理论为基础。在缺乏标注数据的情况下，我们引入了EOT-X，这是一个人工标注的包含2400条评论的数据集，具有细粒度的情绪和观点触发因素。我们评估了23个大型语言模型（LLM），并提出了EOT-DETECT，一个具有系统推理和自我反思的结构化提示框架。我们的框架在电商领域超越了零样本和思维链技术。

🔬 方法详解

问题定义：论文旨在解决电商评论中情绪检测和观点触发因素提取的联合任务（EOT）。现有方法要么独立处理这两个任务，要么缺乏对两者之间因果关系的明确建模。这导致无法准确理解用户情感的根源，限制了情感分析在电商领域的应用价值。

核心思路：论文的核心思路是联合建模情绪和触发因素，将情绪检测视为一个需要解释性依据的任务。通过识别触发情绪的文本片段，可以更准确地理解用户的情感，并提高情绪检测的可靠性。EOT-DETECT框架通过结构化提示和自反思机制，引导LLM进行更深入的推理。

技术框架：EOT-DETECT框架主要包含以下几个阶段：1) 结构化提示：设计特定的提示模板，引导LLM识别情绪类别和对应的触发因素。2) 系统推理：利用LLM的推理能力，分析评论文本，找出与情绪相关的关键信息。3) 自我反思：通过LLM对自身推理过程进行评估和修正，提高结果的准确性。整个框架以Plutchik的情绪理论为基础，将情绪分为8个主要类别。

关键创新：论文的关键创新在于提出了EOT任务，并设计了EOT-DETECT框架。EOT任务明确了情绪检测和触发因素提取的联合目标，而EOT-DETECT框架则通过结构化提示和自反思，有效利用了LLM的推理能力。与传统的零样本和思维链方法相比，EOT-DETECT能够更准确地识别情绪及其触发因素。

关键设计：EOT-DETECT框架的关键设计包括：1) 提示模板：精心设计的提示模板，包含任务描述、输入示例和输出格式要求，引导LLM进行有效的推理。2) 自反思机制：通过LLM对自身推理过程进行评估，识别潜在的错误和偏差，并进行修正。3) EOT-X数据集：高质量的人工标注数据集，为模型的训练和评估提供了可靠的基础。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，EOT-DETECT框架在EOT-X数据集上显著优于零样本和思维链方法。具体而言，EOT-DETECT在情绪检测和触发因素提取的准确率、召回率和F1值等指标上均取得了显著提升。例如，在情绪检测方面，EOT-DETECT的F1值比最佳基线提高了约10%。这些结果验证了EOT-DETECT框架的有效性和优越性。

🎯 应用场景

该研究成果可应用于电商平台的情感分析、用户反馈分析、产品改进和个性化推荐等方面。通过准确识别用户情绪及其触发因素，电商平台可以更好地了解用户需求，优化产品和服务，提升用户体验，并制定更有效的营销策略。未来，该技术还可扩展到其他领域，如社交媒体分析、舆情监控和客户服务等。

📄 摘要（原文）

Customer reviews on e-commerce platforms capture critical affective signals that drive purchasing decisions. However, no existing research has explored the joint task of emotion detection and explanatory span identification in e-commerce reviews - a crucial gap in understanding what triggers customer emotional responses. To bridge this gap, we propose a novel joint task unifying Emotion detection and Opinion Trigger extraction (EOT), which explicitly models the relationship between causal text spans (opinion triggers) and affective dimensions (emotion categories) grounded in Plutchik's theory of 8 primary emotions. In the absence of labeled data, we introduce EOT-X, a human-annotated collection of 2,400 reviews with fine-grained emotions and opinion triggers. We evaluate 23 Large Language Models (LLMs) and present EOT-DETECT, a structured prompting framework with systematic reasoning and self-reflection. Our framework surpasses zero-shot and chain-of-thought techniques, across e-commerce domains.