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

本文探索了两种从文档级数据转移知识的方法，以提高方面级情感分类的性能。我们在 SemEval 2014、2015 和 2016 年的 4 个公共数据集上证明了我们方法的有效性，并显示注意力机制的 LSTM 从文档级知识中受益。

Jun, 2018

本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

Jun, 2017

本文提出了一种基于树形结构的注意力神经网络模型，用于情感分类问题。该模型使用自下向上和自上而下的信息传播结合语法树中节点周围的结构信息。模型在构建句法树时，利用结构注意力识别最显著的表示。实验结果表明，该模型在斯坦福情感树库数据集上实现了最先进的性能表现。

Jan, 2017

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

本文提出一种多情感资源增强注意力网络模型（MEAN）用于情感分类，通过集成情感词库、否定词和强度词等情感语言知识到深度神经网络的注意力机制中，采用了不同类型的情感资源，从不同的情感表示子空间提取情感相关信息，能更有效地捕捉情感、否定和强度词的总体语义，实验结果表明，MEAN 优于强有力的竞争对手。

Jul, 2018

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

开发了一种新颖的深度结构 Gated Multimodal Embedding LSTM with Temporal Attention (GME-LSTM (A)) 模型，以单词级别进行多模态情感分析。在公开数据集 CMU-MOSI 上表现 State-of-the-art 的情感分类和回归结果，强调了 Temporal Attention Layer 在情感预测中的重要性和 Gated Multimodal Embedding 对于过滤有噪音的多模态的有效性。

Feb, 2018

本文提出了一个名为 Attentional Encoder Network (AEN) 的网络，它使用基于注意力机制的编码器来处理上下文与目标之间的建模，采用标签平滑正则化来解决标签不可靠的问题，并将预训练的 BERT 应用于情感分类任务，实现了新的最先进的结果。实验和分析证明了我们模型的有效性和轻量级。

Feb, 2019