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

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

本文探索了两种从文档级数据转移知识的方法，以提高方面级情感分类的性能。我们在SemEval 2014、2015和2016年的4个公共数据集上证明了我们方法的有效性，并显示注意力机制的LSTM从文档级知识中受益。

Jun, 2018

本文提出了约束注意力网络，它是一个简单而有效的解决方案，用于规范多方面情感分析中的注意力，从而缓解了注意机制的缺点，并在两个公共数据集上取得了很好的实验结果，并在多任务设置中超越了最先进的方法。

Dec, 2018

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

本文提出了一种基于目标相关性的图形注意网络（TD-GAT），以在对句子的句法结构进行显式利用的基础上实现对方面级别情感分类的准确识别，并使用BERT表示进一步提高了性能。

Sep, 2019

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

本研究提出了一种新的参数化卷积神经网络用于方面级情感分类，并通过SemEval 2014数据集的实验结果证明，我们的参数化滤波器和参数化门有效地捕捉了方面特定的特征，同时基于卷积神经网络的模型取得了良好的结果。

Sep, 2019

该研究论文提出了一种基于局部和全局特征的模型，通过设计局部编码器和双级图注意网络，有效地对面向方面的情感分类进行建模，并在SemEval 2014和Twitter数据集上取得了最先进的性能。

Nov, 2023

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