摘要
本文报告了在SemEval-2024竞赛中针对对话情感识别与情感反转推理任务所提出的一种创新方法，特别聚焦于印地语-英语代码混杂语言（Hindi-English code-mixed language）的情感分析。通过将大型语言模型（Large Language Models, LLMs）与基于指令的微调（Instruction-based Fine-tuning）及量化低秩适配（Quantized Low-Rank Adaptation, QLoRA）相结合，本研究引入了诸如“Sentext-height”特征构建与高级提示工程（prompting strategies）等创新技术，有效应对代码混杂对话数据中情感分析的复杂性。实验结果表明，所提出的方法在缓解标签偏差及处理代码混杂语言方面均表现出色。在任务1、任务2和任务3中，本团队分别取得了第5名、第3名和第3名的优异成绩。该研究为提升情感识别模型性能提供了宝贵见解与可行方法，进一步凸显了在该领域持续开展深入研究的重要性。