该研究详细研究了文化和语言的独特性，特别是情感语义和情感在社交多媒体中的表现，并提出了一种基于多语言的新方法来自动发现情感构造。多语言视觉情感概念本体（MVSO）的创建是通过提出一种在社交多媒体平台上应用的类别聚类视觉检测名词和这些名词情感偏见版本的子聚类的方法来实现的，并展示了一个基于图像的预测任务以显示特定语言模型在多语言环境中的普适性。此外，该研究还发布了一个 >15.6K 跨 12 种语言的情感偏执视觉概念数据集以及对应的检测库和 >7.36M 张图像和元数据。

Aug, 2015

通过众包实验和单词嵌入，本文研究了文化对视觉情感感知的影响，并提供了一种有效的聚类框架，以探索、检索和浏览数据集中的多语言情感视觉概念，并通过基于众包的情感注释等新颖度量方法进行了评估。

Jun, 2016

本文提出了第一个在线视频情感和主观分析的观点级标注语料库 Multimodal Opinion-level Sentiment Intensity dataset（MOSI），并介绍了一种新的多模态融合方法，共同建模口语和视觉手势。

Jun, 2016

该研究针对社交媒体上流行的多模式互联网模因进行情感分析，人工标注了约 10,000 条模因标签，并涵盖情感和情感类型（讽刺，有趣，冒犯，积极影响）及其相应的强度，三项任务中分别取得了 F1 得分的最佳表现分别为 0.35、0.51 和 0.32。

Aug, 2020

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

该研究提供了一个由 79 个数据集组成的开放性跨语言语料库，可用于培训情感模型，同时展现了基于不同基础模型、训练目标、数据集集合和微调策略所进行的数百次实验的多方面情感分类基准。

Jun, 2023

本文提出了一种基于深度卷积神经网络的视觉情感概念分类方法，其中视觉情感概念是从网络照片的标签中自动发现的形容词名词对。通过 nearly one million Flickr images 数据集的训练，该深度 CNN 模型 SentiBank 2.0 显著提高了注释准确性和检索性能。

Oct, 2014

该论文介绍了一个通过从社交媒体网站获取包含多个成对图像 / 视频和文本的帖子以及包含图像 / 视频和 / 或文本的评论树来实现多模态学习的新的可公开获取的数据集，并提供了基线性能分析，适用于图像字幕、情感分析和预训练模型等多项任务。

Jun, 2020

通过构建一个包含 6927 个情感标注句子的越南社交媒体情感语料库，我们在情感识别领域探究了机器学习和深度神经网络模型的表现，发现使用 CNN 模型的全重 F1 - 分数最高可达 59.74%。

Nov, 2019

该研究使用机器学习技术分析社交媒体上用户的意见与经验，通过建立自动化数据分析流程找到图片和特定词汇，应用基于方面的情感分析方法发现用户对选择的主题的看法，提出了新的语义计算方法，为建筑专家等领域的研究者提供了新的见解。

Oct, 2022