本文提出了一种基于弱监督的方法进行情感分析，通过词嵌入空间下的 <情感，方面> 联合主题嵌入来实现预测，通过预训练分类器和自我训练来利用词级别的判别信息。

Oct, 2020

我们的工作致力于使用一小组种子词进行无监督的方面类别检测。我们提出了一个简单的框架，通过自动增强种子词的质量和选择高质量的句子进行训练，来缓解初始种子词质量和噪声对模型性能的影响。同时，我们对方面类别检测、方面术语提取和方面术语极性联合进行训练，以进一步提高性能。大量实验证明我们的框架在标准数据集上超过了强基准结果。

Nov, 2023

本研究评估了一个新提出的神经模型在提取评论方面的可行性，结果表明该模型能够从用户评论中准确识别和提取各个方面并生成用户偏好的基于方面的概要。

Apr, 2018

文中介绍了一种从在线产品评论中进行意见摘要的神经框架，该方法是知识瘦身的，只需要轻量级的监督，包括产品领域标签和用户提供的评分。方法结合了两个弱监督组件（一个偏向提取器和一个基于多实例学习的情感预测器），从多个评论中识别显著观点并形成提取式摘要。研究介绍了包括六个不同领域的产品评论的训练集以及具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进，大规模研究表明根据多个标准，人类评判员更喜欢该方法的意见摘要。

Aug, 2018

本文基于依赖解析和简单的规则，提出了一种弱监督多方面情感分类方法，通过引入一个潜在变量和变分下界来实现情感极性的学习，实验表明该方法优于弱监督基线模型并与具有百个标签的监督方法具有可比性。

Apr, 2019

通过算法自动挖掘提取规则，应用于标注大量辅助数据，以及研究训练程序，使得神经网络模型在同时学习自动标注和人工精确标注数据的情况下，超越或与现有先进技术相当的表现。

Jul, 2019

本文提出了一种基于方面感知的精细到粗糙的文本生成模型，通过利用方面语义、句法轮廓和上下文信息来提高评论文本生成的自然度和连贯性，实验结果表明该方法有效。

Jun, 2019

我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

Jan, 2014

本研究提出一种基于方面的抽象化摘要方法，可以对任意与文件相关的方面进行总结，带有外部知识库的弱监督构建方法和方面建模方案可以提高性能。

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