该论文描述了 Amobee 公司开发的用于 WASSA 2018 内隐情绪共享任务 (IEST) 的系统，其目标是预测推特中未使用明确词汇表达的情感，该系统使用了语言模型 (具体是针对大型推特数据集进行训练的) 和带有 CNN 注意机制的 LSTM 网络的集成系统， 是对语言模型的新型应用，通过该系统在 macro F1 得分等方面取得了第一名。

Aug, 2018

本研究提出了一种基于双向长短期记忆的新型两层注意网络，利用 WordNet 生成知识图嵌入来提高情感分析的预测能力，将其与基于支持向量回归和多层感知机网络的监督模型相结合，实验结果表明该模型在 SemEval 2017 上表现优于顶尖系统，分别将 Sub-tracks 1 和 2 的准确率提高了 1.7 和 3.7 个百分点。

May, 2018

本文介绍了一种基于注意力机制的循环神经网络模型，该模型在 2017 年 SemEval 跨语言语义文本相似度（STS）任务中取得了竞争性表现（前六名），并描述了我们参加跨语言 STS 任务的情况，该任务涉及英语、西班牙语和阿拉伯语的相似度比较。

Mar, 2017

本文研究使用多任务组合框架解决情感和情绪分析中的三个问题，并通过使用卷积神经网络（CNN）、长短期记忆网络（LSTM）和门限循环单元网络（GRU）等三种深度学习模型以及手工特征表示进行预测，实验结果显示出本文提出的多任务组合框架的有效性，对于大部分问题和领域都获得了 2-3 个百分点的性能改进。

Aug, 2018

本文介绍了我们在 Implicit WASSA 2018 的情感预测比赛中所用的系统，使用了 GRU 和 Capsule Network 的模型，并利用预训练的词嵌入来将上下文信息引入模型，最终取得了 0.692 的 F1 评分。

Sep, 2018

本文提出了一种新方法，通过解决上下文特定词义的挑战来提高情感分析的效果。它结合了双向长短期记忆网络（Bi-LSTM）和知识图谱的同义词数据的优势，利用动态注意力机制开发出一种知识驱动的状态向量。为了对特定方面的情感进行分类，该方法构建了一个集成位置数据的存储库，然后使用多层门控循环单元（GRU）分析此数据以确定与特定方面词相关的情感特征。对三个广泛可用的数据集的测试结果表明，该方法在情感分类方面表现出优秀的性能。

Dec, 2023

本研究探讨了在自然语言处理领域中文本情感分析和分类的重要性，并提出了一种基于双向门控循环单元（GRUs）模型的新方法。研究首先分析了包含六个情感标签的词云模型的文本，然后进行了数据预处理，包括删除特殊符号、标点符号、数字、停用词和非字母部分。随后，将数据集划分为训练集和测试集，并通过模型训练和测试，发现在训练过程中验证集的准确度从 85% 提高到 93%，增加了 8%；同时，验证集的损失值从 0.7 降低到 0.1，并趋于稳定，模型逐渐接近实际值，能够有效分类文本的情感。混淆矩阵显示模型对测试集的准确度达到 94.8%，精确度为 95.9%，召回率为 99.1%，F1 分数为 97.4%，证明该模型具有良好的泛化能力和分类效果。总之，本研究展示了一种有效的文本情感分析和分类方法，并取得了令人满意的结果。

Apr, 2024

通过将两通道卷积神经网络与环状网络相结合，建立了一种多模态情感识别方法，该方法可以有效提取情感信息并提高学习效率。实验表明，基于特征融合的情感分析方法能够有效提高情感数据集的识别准确性，并减少学习时间。模型具有一定的泛化能力。

Nov, 2023

本文介绍了我们参加 SocialNLP 2020 和 EmotionGIF 2020 的比赛时采用的一种基于关注机制双向 GRU 网络的分类模型以及采用深度神经网络和集成学习技术进行的分类方法。通过两个比赛，我们的模型均取得了最佳的平均召回率得分。

Dec, 2020

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