提出一个新颖的 Aspect-oriented Opinion Alignment Network (AOAN) 来捕捉意见词与对应方面之间的上下文关联。该模型通过引入一个邻近跨度增强模块来突出揭示邻近词汇和给定方面的各种组合，并设计了一个多透视度的注意机制来根据给定方面对齐相关意见信息。对三个基准数据集的广泛实验表明，该模型达到了最好的结果。

Aug, 2023

该研究提出了一种名为 ATN 的新型注意力传输网络，它可以成功地从资源丰富的基于文档级情感分类数据集中利用注意力知识来提高面向方面的情感分类任务的注意力能力，并在两个 ASC 基准数据集上进行实验，证明了其优于现有技术的有效性。

Oct, 2020

本文提出了一种基于目标相关性的图形注意网络（TD-GAT），以在对句子的句法结构进行显式利用的基础上实现对方面级别情感分类的准确识别，并使用 BERT 表示进一步提高了性能。

Sep, 2019

本文介绍了一种交互学习的方法，并通过提出的交互式注意力网络（IAN）模型对目标和上下文进行交互式学习，从而分别生成目标和上下文的表示，从而更好地表示目标及其相互作用的上下文，有助于情感分类。实验结果表明，该模型在 SemEval 2014 数据集上具有较好的效果。

Sep, 2017

本文提出了基于深度记忆网络的方面级情感分类模型，并通过多层神经注意力模型计算上下文词汇的重要程度和文本表示，在笔记本和餐厅数据集上的实验结果表明，这种方法的表现与现有的 SVM 系统相媲美，在多个指标方面优于 LSTM 和基于注意力的 LSTM 结构，运行速度也非常快。

May, 2016

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

通过基于注意力机制的深度神经网络方法，对餐厅方面的用户评论进行情感分析，并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上，我们的方法表现优于现有的方法，并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。

Jan, 2019

该论文探讨了针对特定产品的基于方面的观点摘要 (AOS)。通过使用卷积神经网络方法，我们提出了两种方案来解决方面映射和情感分类问题，即级联的卷积神经网络和多任务卷积神经网络。实验结果表明，这两种方法均实现了 SVM 的大幅优化，多任务 CNN 相比级联 CNN 的表现更好。

Nov, 2015

提出了一种新的双重注意模型 (DAM) 用于方面级情感分类，该模型使用依存标签作为关注机制以提高性能，并在 SemEval 2014 和 Twitter 数据集上进行实验，取得了良好的效果。

Mar, 2023

本文通过有效的句法信息编码，以新的树形结构对情感识别进行了研究，提出了关系图注意力网络（R-GAT）并在 SemEval 2014 数据集和 Twitter 数据集上进行了广泛实验，结果表明我们的方法可以更好地建立方面和意见词之间的联系，并且图注意力网络（GAT）的表现得到了显著提高。

Apr, 2020