本文旨在研究从文本中检测情感强度的任务。我们创建了第一个标记有愤怒、恐惧、喜悦和悲伤强度的推文数据集，并使用最佳 - 最差比例（BWS）技术提高注释一致性和获得可靠的细粒度分数。我们发现情感词 hashtag 通常会影响情感强度，通常传达更强烈的情感。最后，我们创建了一个基准回归系统，并进行实验，以确定哪些特征对于检测情感强度有用，以及两种情感在语言表现方面的相似程度。

Aug, 2017

该论文介绍了首个推特情感预测的共享任务，该任务着重于从推特文本上下文中推断隐含情感，通过自动方法预测情感会比人工更加准确。

Sep, 2018

本文介绍了使用广义回归器系统在推文中估计情绪强度的实验。系统结合了词法、句法和预训练词向量特征，对通用回归器进行训练，并最终结合最佳表现模型创建一个集成系统。所提出的系统在 WASSA-2017 共享任务情感强度排行榜中名列第三。

Aug, 2017

本研究提出了一种基于 Experts Model 的架构，它可以从特征向量中学习不同的特征集，有助于更好地从推文中检测情感。与基准结果和 SemEval-2018 任务 1 的前五名表现者相比，实验结果表明，我们提出的方法在情感检测问题上表现出了较好的结果。

Mar, 2019

本文介绍我们在 WASSA 2022 共享任务中使用 ELECTRA 和 BERT 模型解决情感检测问题的贡献，通过对一篇文章进行分类，识别离散的情感，如悲伤、惊讶、中性、愤怒、恐惧、厌恶、快乐。我们的代码库和 WandB 项目公开可用，并取得了 F1 分数为 62.76％的成果。

Mar, 2022

本文介绍使用 Best-Worst Scaling 技术获取三个不同领域（一般英语，英语 Twitter 和阿拉伯语 Twitter）中单词和短语的情感关联分数，并确定了一种语言本土人民可以感知的情感关联最小差异。

Dec, 2017

本文首次提出人工创造的情感强度词典，针对四种基本情感（愤怒、恐惧、快乐和悲伤）给出了真实值评分。使用 BWS 技术创建词典，与 NRC VAD 词典进行比较，可以在商业、教育、智能和公共卫生等领域自动情感分析和自然语言生成系统中应用。

Apr, 2017

该论文描述了针对 Valence 和情感的序列分类和回归子任务的 SemEval-2018 推文情感分析比赛中成绩最好的系统，该系统采用了四个不同模型的域自适应并创建了一个集成模型，实现了大幅度的性能提升。

Apr, 2018

本文旨在通过使用深度学习模型和机器学习技术，特别是 ELECTRA 模型和多任务学习，对 WASSA 2021 共享任务中的情感预测和情感分类进行建模，并在两个子任务中取得了不俗的成绩。

Apr, 2021

通过提出 SemEval-2013 任务 2：Twitter 情感分析的表达级子任务和消息级子任务以及在亚马逊机械土耳其上使用众包技术标记大型 Twitter 训练数据集及其他的测试集，对情感分析在社交媒体上进行了研究。该研究因结果的准确性获得了广泛关注和讨论。

Dec, 2019