社交媒体的快速发展使得我们能够分析用户意见。尽管常用语言的情感分析已经取得了显著的进展，但由于资源限制，低资源语言像阿拉伯语等仍然很少有研究。本研究探讨了 SemEval-17 和阿拉伯语情感推文数据集上的推文文本的情感分析，并研究了四种预训练语言模型以及提出了两种集成语言模型。我们的发现包括单语言模型表现出更好的性能，集成模型优于基线，而多数投票集成模型胜过英语。

Mar, 2024

本文介绍了 Arap-Tweet，这是一个涵盖阿拉伯世界 11 个地区和 16 个国家方言变体的大规模、多方言 Tweets 语料库，其中包括针对年龄、性别和方言变体的注释，并讨论了语料库的数据集合和标注方法，以及为阿拉伯语开发作者分析工具和 NLP 工具提供帮助的重要性。

Aug, 2018

通过对已发表的 133 篇英文 ASA 论文的深入研究和 2297 篇 ASA 出版物的广泛研究，本文揭示了 ASA 的常见主题、应用领域、方法、技术和算法，并强调了 ASA 所面临的挑战和未来发展方向。

Mar, 2024

本研究旨在利用目标情感分析从给定的文本中提取针对特定目标的情感，我们提供了适用于目标情感分析的标注土耳其数据集，并提出了基于 BERT 的模型，结果表明，与传统情感分析模型相比，所提出的模型具有更好的性能。

May, 2022

该论文描述了 Twitter 情感分析任务的第五个年头，继续重新运行了 SemEval-2016 任务 4 的子任务，其中包括对推文整体情感、针对话题的情感以及情感分布的量化等。相较于 2016 年，我们还引入了一种新的语言，即阿拉伯语，并提供了发布目标推文的 Twitter 用户档案信息。今年共有 48 个团队参加了这项任务。

Dec, 2019

通过提出 SemEval-2013 任务 2：Twitter 情感分析的表达级子任务和消息级子任务以及在亚马逊机械土耳其上使用众包技术标记大型 Twitter 训练数据集及其他的测试集，对情感分析在社交媒体上进行了研究。该研究因结果的准确性获得了广泛关注和讨论。

Dec, 2019

研究 Arabic 情感分析，提出了一种基于机器学习的方法和特征向量，使用人工神经网络分类器，在单词级别和文档级别进行情感分析，在单词级别获得的平均 F1-score 为 0.92，在文档级别的正类为 0.94，负类为 0.93。

May, 2022

提出利用内容本土化的基于神经机器翻译的方法，为低资源阿拉伯方言（如黎凡特语和海湾语）开发情感和仇恨分类器，并通过无监督学习推断隐藏主题，从而在其本土语言 / 方言中提供连贯的解释，从而实现准确区分情感并识别仇恨内容的有效性。

Nov, 2023

介绍 LABR 数据集，这是迄今为止最大的用于阿拉伯语情感分析的数据集，包括超过 63,000 本书的评论，探讨数据集的性质和使用该数据集进行情感倾向和评分分类的任务。此外，提供数据集的标准分割，用于训练，验证和测试情感倾向和评分分类等。

Nov, 2014

本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。

Jul, 2022