本文针对 Aspect-Based Sentiment Analysis 领域中的关键任务 Aspect Term Extraction，提出了一种新的框架，该框架利用了两个有用的线索：意见汇总和方面检测历史，从而实现有效的 Aspect Term Extraction。实验证明，该框架能够优于所有现有的方法。

May, 2018

本文提出了一种基于互信息最大化的简单而有效的技术，用于增强任何类型的模型进行跨领域 ABSA 和 ATE，并分析了该方法。实验结果表明，我们提出的方法在 10 个不同领域对的跨领域 ABSA 平均 Micro-F1 上超过现有技术 4.32％。此外，我们的方法可以扩展到其他序列标记任务，例如命名实体识别（NER）。

Jan, 2022

本文探讨了如何使用来自其他无监督模型的信息来规范 ABAE，以获得更好的性能，既在规则基础的合集方法上得到对比，也证明了对比于单个模型，集成模型的效果更好，而基于规则的集成模型则表现不如基于规范化的集成模型。

Oct, 2022

我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性，以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明，我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外，我们的工作还为无监督的观点词挖掘方法设立了一个基准。

Apr, 2024

本文提出了一种基于局部上下文聚焦机制（LCF）的多任务学习模型，在中、英文评论中实现同时提取方面术语和推断其极性，并结合领域适应的 BERT 模型，在四个中文评论数据集上实现了最新的方面术语提取和方面极性分类的最佳表现。此外，在常用的 SemEval-2014 任务 4 餐厅和笔记本电脑数据集上的实验结果也超过了 ATE 和 APC 子任务的最新成果。

Dec, 2019

基于 VAE 的主题建模方法，利用文档级别的监督，在不需要精细标注方面或情感方面的标签的情况下完成 ABSA，能够检测文档中的多个方面，从而合理推测多个方面的情感是如何融合形成可观察的整体文档级情感的。通过对两个不同领域的基准数据集的实验结果证明，该方法显著优于最先进的基准模型。

Oct, 2023

针对多方面情感分析问题，本研究提出了一种名为 ATESA-BÆRT 的异构集成学习模型，通过将问题划分为两个子任务（Aspect Term Extraction 和 Aspect Term Sentiment Analysis）并在每个子任务上使用六个基于 transformer 的学习器，使用 argmax 多类别分类方法，解决了多方面问题并且在实验中表现优于当前最先进解决方案。

Jul, 2023

本文提出了一种基于辅助句子和 BERT-ASC 的方法，来解决在缺乏标注数据的情况下，针对文本中暗含的方面进行情感分析和分类的问题，并在真实数据集上进行了有效性验证和性能评估。

Mar, 2022

本文介绍了一种可扩展到任何 ABSA 子任务的生成框架 PFInstruct，通过在任务描述中添加 NLP 相关任务前缀，相较于基准模型，在所测试的所有 SemEval 子任务中取得了更好的性能，并在 Rest14（ATE 子任务）上以 + 3.28 的 F1 分数和在 AOOE 子任务上平均 + 5.43 的 F1 分数超越了之前的最新结果，并且我们发现，即使存在噪声，前缀增强的提示质量也可以提高模型性能。同时，我们的方法在生物医学领域数据集（ERSA）上也取得了有竞争力的结果。

May, 2024

我们提出了 InstructABSA，使用指令学习范式进行基于方面的情感分析，并在 Aspect Term Extraction，Aspect Term Sentiment Classification 和 Joint Task 构建的所有 ABSA 子任务上进行了表现显着的性能改进。

Feb, 2023