利用 Facebook 反应特性以远程监督的方式训练支持向量机分类器进行情感检测，通过不同特征组合和不同 Facebook 页面的结合，并在现有情感检测基准上进行测试，证明通过只采用完全自动化的信息来进行训练（而不依赖于手工制作的词典），可以获得具有竞争力的结果。结果还表明，在针对目标领域进行 Facebook 页面的收集方面，有很大的改进空间。

Nov, 2016

研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

Feb, 2023

通过手机感应数据和社交网络构建及机器学习算法综合分析多个用户和时序特征，利用社交网络对情感进行预测。

Jul, 2022

通过分析 Facebook 上对学术文章的回应，本研究使用一种新颖的方法来评估公众的情感反应，基于 LDA 主题模型和统计测试，研究发现性别、遗传学以及农业 / 环境科学等主题引发用户的情感反应显著不同，Facebook 上具有积极情感反应的文章更容易被广泛分享，与其他社交媒体平台的先前研究得出的结论相反。

Jan, 2020

通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

Jan, 2023

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

本研究对十年来的辛哈拉语帖子进行了测试，发现采用三层双向 LSTM 模型的 F1 分数为 84.58％，优于当前最先进的模型 Capsule B，而其他深度学习模型都显示出高于 75％的 F1 分数，因此可以安全地断言 Facebook 反应适合预测文本的情感方向。

Jan, 2022

本文提出了一种新的情感预测方法 —— 神经个性化识别 (NPD)，通过对社交媒体用户的个人属性进行分析，找到具有相似个人属性的用户，从而更好地捕捉不同帖子之间的社会关系，并采用注意机制和对抗判别器来判断个人属性，实验结果表明，该方法在捕捉个人属性方面具有显著优势，可以更准确地预测社交媒体上的情感。

Aug, 2019

本研究利用社交媒体内容评估情感分析技术，创建主观性与群体行为和聚类系数之间的关联，并尝试预测 2021 年西孟加拉邦选举结果。

Jul, 2021

该论文主要介绍了 2020 年 ACL 会议上举办的 EmotionGIF2020 比赛及其数据集（包含 40,000 条带有反应表情的推文），旨在预测用户对于在线文本的情感反应，并评估了参赛队伍的表现，获胜队伍再 Recall@K 指标下的得分为 62.47%。

Feb, 2021