本研究通过评估非组合性评分的短语，构建了一个新的资源 NonCompSST，并使用该资源对情感分析的计算模型进行了评估。
Oct, 2023
本文通过融合各种先前极性技术，构建一个学习框架，使用两个不同版本的 SentiWordNet，以不同的数据集和任务测试回归和分类模型，得到了优于单一指标的新一代情感分析词语 prior 极性估计方法，并发现了词语 Part of Speech 和标注者性别对计算先前极性得分的有趣偏差。
Sep, 2013
该研究对情感分析中的词汇分类方法进行了探究，比较了 14 种公式的性能，选择最符合人类判断的用于计算词汇极性。
Dec, 2012
通过创建一个包含否定词、情态动词和程度副词以及它们的组合的短语数据集，并且使用标记了真实感情联想分数的短语及其成分内容词，分析了各个修饰语的影响和组合在情感分析中的平均效果，研究表明修饰语的影响在同一组中的成员之间差异显著，并且每个单独的修饰语可以以不同的方式影响情感词，因此基于统计学习的解决方案对于自动情感预测任务更具有前景。
Dec, 2017
通过分析西班牙语的 TripAdvisor 评论，本研究探讨了影响众包极性判断变异的三个重要因素：词性、情感词以及中性词。研究结果表明，单词标题中的形容词倾向于导致较低的判断变异，情感词和中性词也对判断变异起到了一定的影响。然而，这些影响在更长的标题中无法复现，这暗示更长的标题并不适合用来测试单词的歧义性。这项实证研究为研究人员提供了有价值的深入了解影响单词极性变异的因素，为自然语言处理从业者利用西班牙语数据进行极性判断和预测的研究奠定了基础。
May, 2024
本论文提出了一种集成方法，将手动构建的先前极性词典与基于 SentiWordNet 的方法进行比较和融合，从而创建了一个在情感分析中表现出高精度和高覆盖率的先前极性词典 SentiWords，并在情感分析任务中证明了其优于 SentiWordNet 和手动标注情感词典的表现。
Oct, 2015
本文提出了一种多任务方法，通过将否定信息显式地纳入情感分析模型中，以优于隐式学习否定。该方法采用级联神经体系结构，并选择性共享 LSTM 层，同时在多个标准英语数据集上分析了该方法的性能，包括其多种不同设置下的输入数据类型和数量。
Jun, 2019
本文提出了一种简单易用的多语言情感分析框架，旨在作为情感分析测试基线和构建新情感分析系统的起点。该框架经过在 8 种不同语言的比较中，在其中三种语言的国际竞赛中名列前茅，在其他语言中也超越了报告的结果。
Dec, 2016
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。
提出了一种新的自动方法，基于语言学中的反义词，并通过语料库的统计结构来识别具有反义但不同种类的词对以及识别单词对之间的语义差异度。
Aug, 2013