研究人员创建了一个综合词语和表情符号嵌入模型，在 Twitter 数据集上进行情感分析比较，发现其在表现上胜过其他预训练嵌入模型。

Sep, 2022

本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法，在 Twitter 数据集上使用表情符号来训练深度神经模型，有效地解决了对象分类模型在情感分析中的限制，其结果在公共情感分析基准测试中表现出优秀的性能。同时，研究者还基于表情符号的视觉情感反应提出了一种新的表情符号表示方法，加深了对表情符号模态的理解。

Jul, 2019

本文提出了 Emo2Vec 模型，将情感语义编码为向量。通过训练多任务的方式进行六种不同的情感相关任务来训练 Emo2Vec，包括情感 / 情绪分析，讽刺分类，压力检测，恶意语言分类，侮辱探测和人格识别。我们的评估表明，Emo2Vec 在比现有的情感相关表示法（例如 Sentiment-Specific Word Embedding 和 DeepMoji embeddings）更小的训练语料库上表现更好。当与 GloVe 拼接时，Emo2Vec 在使用简单逻辑回归分类器的几项任务中取得了与现有最优结果相竞争的表现。

Sep, 2018

我们提出了 emotion2vec，这是一个通用的语音情感表示模型，通过自我监督在线提取方法在开源未标记的情感数据上进行预训练，结合预训练期间的话语级损失和帧级损失。emotion2vec 在主流的 IEMOCAP 数据集上，仅通过训练线性层的方式在语音情感识别任务中胜过最先进的预训练通用模型和情感专家模型。此外，emotion2vec 在 10 种不同语言的语音情感识别数据集中表现出一致的改进。emotion2vec 在其他情感任务上也展示了出色的结果，如歌曲情感识别、对话中的情感预测和情感分析。比较实验、消融实验和可视化全面展示了提出的 emotion2vec 模型的通用性。据我们所知，emotion2vec 是各种与情感相关任务中的第一个通用表示模型，填补了这一领域的空白。

Dec, 2023

本研究提出了一种利用表情符号作为新通道来学习语言中跨语言和特定语言情感模式的表示学习方法，并将其应用于跨语言情感分类。该方法在基准数据集上展示出最先进的性能表现。

Jun, 2018

本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法，通过扩展对更多嘈杂标签的监督，模型可以学习更丰富的表示，同时从一个包含 64 个常见表情的数据集中进行表情预测，使用单个预训练模型在 8 个基准数据集中取得了最先进的性能，并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。

Aug, 2017

本篇研究旨在通过 EmojiNet 知识库中的可机器读取 Emoji 意义，通过不同的训练语料库，利用 Emoji 描述、 Emoji 感觉标签和 Emoji 感觉定义等信息开发和测试多种嵌入模型来衡量 Emoji 相似度，并开发了名为 EmoSim508 的新数据集来评估他们的工作。经测试，作者的嵌入模型在情感分析任务中表现出色，并发布数据集和嵌入模型供公共下载。

Jul, 2017

本研究提出了一种基于 BERT 的 transformer 方法来预测文本中最合适的 emoji 表情符号，实验结果表明我们的方法的准确性高于其他几种先进的模型，这个方法有潜在的在自然语言处理、情感分析和社交媒体营销的应用。

Jul, 2023

在线媒体产生了大量的非结构化数据，我们提出了一种新的方法来预测在线文本消息中表达的表情符号的情感，并构建了一个情感词典进行评估和比较。

Apr, 2024

本文提出了一种基于 H-LSTM 模型和 softmax 分类器的方法，以自动推荐相关的 Emoji 表情符号，以更好地传达情感信息。实验结果表明，该方法在情感识别任务上具有优秀的性能，能够更好地捕捉上下文信息和情感流动。

Dec, 2016