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

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

提出了一种新颖的 LSTM 变体，称为 aspect-aware LSTM（AA-LSTM），将方面信息包含在上下文建模阶段的 LSTM 单元中，以生成动态的方面感知上下文表示，实验结果表明 AA-LSTM 的有效性。

May, 2019

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

本文提出了一种接近度加权卷积网络，通过两种确定接近度的方法来提供方面的语法感知表示，实验结果表明，与一系列最先进的模型相比，我们提出的方法具有更好的效果。

Sep, 2019

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神经网络的新方法 ——Aspect Fusion LSTM (AF-LSTM)，它通过建模词汇与方面之间的关系，将方面信息整合到神经模型中，并采用循环卷积和循环相关来模拟方面与词汇之间的相似度，并将其融入可微的神经注意力框架中，从而实现对特定方面的分析，达到 4% 至 5% 左右的性能提升。

Dec, 2017

本论文介绍了我们在 SemEval 2016 任务 5 中使用深度学习的多语言基于方面的情感分析的方法。我们使用卷积神经网络（CNN）对方面抽取和基于方面的情感分析进行处理。我们将方面提取视为一个多标签分类问题，输出一个阈值参数化的方面概率。为了确定对方面的情感态度，我们使用局限系统（英语不受限制）对语句进行分析，其在所有语言和领域中均取得了竞争性的结果，对于方面类别检测（插槽 1）和情感极性（插槽 3）分别在 11 种语言域对中的 5 个和 7 个中排名第一或第二，从而证明深度学习为基于方面和多语言的情感分析方法的可行性。

Sep, 2016

本文提出了一种基于多个线性链 CRFs 的详细有效的结构化关注模型，通过聚合多个线性链 CRFs，该设计允许模型提取特定方面的意见跨度，然后利用提取的意见特征评估情感极性，实验证明该模型是有效的。

Oct, 2020