本研究使用神经叙事方法对情感轨迹进行了建模，包括情感监督和两个情感增强模型。经过自动化和手动评估，这些模型在生成故事的情感路线方面比基线方法具有显著优势，而且不会降低故事的质量。

Oct, 2020

该论文提出了一种使用神经架构建模虚假新闻文章中情感信息流的方法，结果表明，该模型 FakeFlow 在四个真实数据集上超越了现有方法，证实了捕捉新闻文章中情感信息流的重要性。

Jan, 2021

本研究旨在创建适用于电影的标签，通过提出一种新型的神经网络模型，该模型将电影情节和情感融合以预测电影的标签，结果显示情感流的引入提高了标签的预测准确度。

Aug, 2018

本文探讨了情感分析如何与有效的可视化技术结合使用，定量和跟踪书籍中的情绪及其在大型文集中的表现。本文还介绍了情感词密度的概念，并以格林兄弟童话作为例子，展示了如何更好地组织搜索文本。最后，通过比较童话和小说中的情感词，本文表明童话中的情感词密度要比小说更广泛。

Sep, 2013

本研究使用分类和可视化分析的方法，通过研究 1895 年至 1924 年间的文学作品，特别是大量的最畅销书，探索预测一本书是否成为畅销书的方法，并发现使用全文内容的预测方法的准确度不高，但结果提供了关于文艺作品相对成功因素的见解。

Oct, 2022

通过研究连续情感评价模型，我们收集、分析了儿童故事中的情感内容，提出了一种弱监督学习的方法来预测故事情感变化的连续值，通过 DeBERTa 模型改进，达到了较高的相关性和有效性。

Jun, 2024

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

本研究探讨了应用循环神经网络识别音乐中传达的情感，旨在通过将音乐调整到适合听众的情感状态，增强音乐推荐系统并支持治疗干预。我们使用 Russell 的情感象限将音乐分类为四个不同的情感区域，并开发了能够准确预测这些类别的模型。我们的方法涉及使用 Librosa 提取全面的音频特征，并应用各种循环神经网络架构，包括标准 RNN，双向 RNN 和 LSTM 网络。初步实验使用包含 900 个已标记情感象限的音频片段数据集进行，我们将神经网络模型的性能与一组基准分类器进行比较，并分析其在捕捉音乐表达中固有的时间动态方面的有效性。结果表明，在较小的数据集中，较简单的 RNN 架构的表现可能与更复杂的模型相当甚至更优。我们还在较大的数据集上应用了以下实验：一是基于我们原始数据集进行的增强，另一是来自其他来源。这项研究不仅增进了我们对音乐情感影响的理解，还展示了神经网络在创建更个性化和情感共鸣的音乐推荐和治疗系统方面的潜力。

May, 2024

本研究通过对书评的心理、词汇、语义、易读性等特征进行统计分析，使用两种易读性测试探索阅读便利程度与书评受欢迎程度的正向关联，并运用传统机器学习分类器和基于 Transformer 的预训练语言模型，自动判断书评的受欢迎程度。研究结果表明，除了一些特征（例如书评长度、情感和词语独特性）之外，大多数属性在受欢迎和不受欢迎的书评组之间没有显著差异。此外，使用词语 N-gram 特征的机器学习分类器的低性能凸显了在判断创意领域受欢迎程度方面所面临的挑战。总体而言，本研究揭示了影响书评受欢迎程度的因素，并强调了进一步研究的需要，尤其是在创意领域。

Nov, 2023

基于情绪行为模型的人工智能代理在预测和表达情绪、理解人类社交参数方面取得了重要进展。

Oct, 2023