本文介绍了如何在中文情感分类中使用单词嵌入作为特征，并建立了一个包含一百万个评论的中文意见语料库。通过使用不同的机器学习方法，包括支持向量机 (SVM)，逻辑回归 (Logistic Regression)，卷积神经网络 (CNN) 和集成方法，这些方法相对于使用朴素贝叶斯 (NB) 和最大熵 (ME) 的 n-gram 模型获得了更好的性能。最后，提出了一种组合机器学习方法，并在语料库上进行测试，最终的 F1 分数为 0.920。

Nov, 2015

本文提出了一种名为 Lex2Sent 的模型，使用 Doc2Vec 模型训练文档嵌入，并根据嵌入的距离来改进情感词典方法的情感分类任务，该模型在三个基准数据集上的表现均优于一流的词典。

Sep, 2022

利用大型语言模型，特别是 ChatGPT，进行对科学文献中引用的情感分析是一项创新的方法，可以提供关于引用作品影响和接受程度的洞见。通过利用先进的自然语言处理技术，ChatGPT 可以辨别引文的微妙积极或消极性，进而为引用作品的接受程度和影响力提供了有价值的洞察。此外，ChatGPT 还能够检测引文中潜在的偏见和利益冲突，增强科学文献评价的客观性和可靠性。这项研究展示了人工智能辅助工具在提升引用分析和促进学术研究诚信方面的潜力。

Apr, 2024

提出了一种使用分布式单词表示和领域知识从参考论文中提取适当上下文的无监督模型，评估结果表明其明显优于现有技术，并且还演示了上下文化方法提高科学文章引用摘要的有效性。

May, 2017

本文提出一种将词嵌入、词表嵌入和注意力机制集成到卷积神经网络中进行情感分析的新方法，该方法在 SemEval'16 任务 4 数据集和 Stanford 情感树库上得到了比现有最先进系统更好的结果。

Oct, 2016

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

通过计算机辅助文献综述，发现情感分析的起源可以追溯到 20 世纪初进行的公共舆情分析和 20 世纪 90 年代的文本主体性分析，但基于网络上的主观文本的情感分析爆发是在 2004 年之后。最近几年，情感分析已经从分析在线产品评论转移到分析来自 Twitter 和 Facebook 等社交媒体的文本。感情分析的应用还扩展到股票市场、选举、灾害、医学、软件工程和网络欺凌等许多主题。

Dec, 2016

通过使用领域特定的词向量和标签传播框架，结合少量种子单词，创造与手动资源相媲美的精准的领域特定情感词典，用于量化情感在时间和社区之间的差异，并在此基础上，提出了历史情感词汇表和社区特定情感词汇表。

Jun, 2016

本研究采用 Word2Vec 深度学习工具对医学语料库进行了测试，以验证其在未结构化文本中识别关系的潜力，结果表明 Word2Vec 的排名生成和检索结果质量不足以用于知识库自动填充，但可作为手动筛选的起点。

Feb, 2015

本研究提出了一种新的方法来检测和可视化主题的趋势，其中使用 k-means 聚类和余弦相似性模型来确定主题的移动路径与方向，并在各种媒体机构的文章数据集上进行了测试。

Sep, 2022