提出了一种基于 Sentence Constituent-Aware Network (SCAN) 的方案，采用图注意力模块和交互式损失函数，用于解决 Aspect category sentiment analysis (ACSA) 的问题，包括情感极性和方面类别检测，通过实验在五个公共数据集上验证了该方案的可行性。

Oct, 2020

本文提出了一种基于图卷积网络的新型方面级情感分类模型，该模型能够有效地捕捉一句话中不同方面之间的情感依赖关系，并通过 SemEval 2014 数据集的评估表明了其优越性。此外，我们还开展了实验以评估 GCN 模块的有效性，并表明不同方面之间的依赖关系在方面级情感分类中具有高度的帮助作用。

Jun, 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

通过在句子的依赖树上构建图卷积网络，利用了句法信息和单词依赖关系，提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明，该模型与一系列最先进的模型具有可比较的效果。

Sep, 2019

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

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

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

多模态情感分析的研究中，我们引入了一个以文本为导向的交叉注意力网络（TCAN），强调文本在情感分析中的主导作用。通过对多模态样本进行自注意力和文本查询交叉注意力操作，我们减少了噪声信号和冗余特征的影响，并通过背向传播的方法实现了异质情感倾向的深入理解。实验证明，TCAN 在 CMU-MOSI 和 CMU-MOSEI 两个数据集上始终优于最先进的多模态情感分析方法。

Apr, 2024

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

本文提出了 CAN-CNN 模型，利用 Category Attention Network 和 Convolutional Neural Network 自动捕捉领域共享的情感词和领域特定的情感词，以改进领域适应的性能，并获得了比其他基线模型更好的结果。

Dec, 2021