研究建立在 WikiDisputes 的语料库上，使用特征和神经网络模型，预测带有争议的维基百科讨论页面是否会被调解员升级为调解。结果表明，利用能够捕捉对话过程中语言标记变化的特征，和考虑对话结构的神经网络模型能更准确地预测结果。

Jan, 2021

本研究提出一种使用读者眼动模式获取认知特征的方法，以增强情感分析和讽刺检测的性能，结果表明：使用这种增强型特征集合可以将极性检测的 F 分数最高提升 3.7％和 9.3％。

Jan, 2017

提出一种新的机器学习方法，将文本分类技术应用于文档的主观部分，通过寻找图中的最小割点，可以快速获取主观部分，大大提高交叉句子上下文约束的整合效率，以确定情感极性。

Sep, 2004

本文提出了一个基于即时聊天的客户支持 (CS) 互动的框架，用于预测个体用户的推荐决策。通过分析一家拉丁美洲大型电子商务公司金融垂直领域内的 16.4k 用户和 48.7k 客户支持对话，本研究的主要贡献和目标是利用自然语言处理（NLP）来评估和预测推荐行为，在使用静态情感分析的同时利用每个用户的情感动态的预测能力。结果表明，通过信息级别的情感演变，可以完全自动化地预测用户推荐产品或服务的概率以及相关的功能解释。

Nov, 2022

PerSenT 数据集包括了新闻文章中主要实体的情感分析，并提供了段落级别的情感注释以提供更精细的监督。该数据集的基准测试表明，这是一项困难的分类任务。该论文指出，使用 BERT 对文档级表示进行微调是不足够的，并且对整个文档进行段落级别的决策和聚合也是无效的。该数据集包含 5.3k 个文档和 38k 个段落，涵盖 3.2k 个独特的实体，是实体情感分析中的一个挑战。

Nov, 2020

本文提出了基于同调条件随机场的序列模型，结合社交定向词典，高效地解决了在线讨论中赞成和反对问题的标记，结果在 Wikipedia Talk pages 和在线辩论数据集上均优于现有方法，特别地，本研究中提出的同调 CRF 模型，相对于线性链 CRF，在 Wikipedia Talk pages 上获得了 F1 得分 0.74 和 0.67。

Jun, 2016

该论文提出了一种新颖的方法来执行新闻视频的情感分析，基于从内容中提取的音频、文字和视觉线索的融合。该方法旨在为构建媒体宇宙的 ethos（身份）的 semiodiscoursive 研究做出贡献，我们计算了从面部表情中识别出的视觉强度、参与者的声音调制、文本语音和情感得分（极性）。实验结果显示，该方法在情感分类任务中达到了高达 84％的准确度，因此在新闻界中具有极高的应用潜力。

Apr, 2016

本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

Dec, 2022

本论文研究了社交媒体中的图像情感分析问题，提出了一种基于跨模态蒸馏范式的自动建立情感极性分类器的方法，即从文本数据和图像数据构建出学生模型，并在 Twitter 上收集的随机抓取的图像数据集上对模型进行了评估，证明了其在情感极性预测方面优于现有的方法。

Apr, 2023

本研究提出了 SentiQ，一种基于无监督 Markov 逻辑网络的方法来注入语义维度以检测并解决情感分析工具中的不一致性，从而提高准确性。初步实验结果证明了 SentiQ 的实用性。

Aug, 2020