本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法，通过扩展对更多嘈杂标签的监督，模型可以学习更丰富的表示，同时从一个包含 64 个常见表情的数据集中进行表情预测，使用单个预训练模型在 8 个基准数据集中取得了最先进的性能，并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。

Aug, 2017

研究了一种基于多模态方法的表情符号预测技术，通过结合图片和文本信息可以更准确地进行表情符号预测，并发现这两种模态的信息能够相互补充从而提高预测准确性。

Mar, 2018

本文提供具有新颖性的英文 Reddit 帖子语料库，研究多模式社交媒体上图文情感信息的互补性，发现对于某些情感信息如愤怒和悲伤，多模式模型可以更好地预测；而对于某些信息如恶心、喜悦和惊讶，仅以文本信息便足够预测。

Feb, 2022

本文提出一种新的多模态情感分析方法，使用深度神经网络结合视觉分析和自然语言处理，旨在推断用户潜在的情感状态并且在社交网络中应用此方法实现自我报告的情感标签的预测，实验证明该模型的性能优于仅基于图像或文本的单独模型，并具有与情绪相关的合理词汇列表。

May, 2018

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

本文探讨了将表情符号视为一种新的语言交流媒介的可能性，并基于采集自 Twitter 的数据集，实现了从文本和图像中预测表情符号的功能。同时，也初步解决了如何处理新的表情符号和使用表情符号进行多媒体检索的问题。

Jan, 2018

该研究使用迁移学习的方法，利用表情符号编码的情感信息来提高各种情感任务的表现，发现单语言学习的源任务具有优势，并在三种条件下分析了转移学习的有效性。

Feb, 2021

在线媒体产生了大量的非结构化数据，我们提出了一种新的方法来预测在线文本消息中表达的表情符号的情感，并构建了一个情感词典进行评估和比较。

Apr, 2024

本文提出了基于 Transformer 网络的多类和多标签表情符号预测模型，并使用启发式方法从 Twitter 构建了多个表情符号预测数据集。实验结果表明，相对先前的最新技术，我们的 BERT 模型在所有数据集和所有设置下都取得了最先进的性能，其中精度提高了 27.21％到 236.36％，前 5 个精度提高了 2.01％到 88.28％，F-1 分数提高了 65.19％到 346.79％。

Jul, 2020

本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法，在 Twitter 数据集上使用表情符号来训练深度神经模型，有效地解决了对象分类模型在情感分析中的限制，其结果在公共情感分析基准测试中表现出优秀的性能。同时，研究者还基于表情符号的视觉情感反应提出了一种新的表情符号表示方法，加深了对表情符号模态的理解。

Jul, 2019