本文针对当前情感分类模型面对领域迁移和对抗样本时的鲁棒性问题，提出了两种通过引入位置偏置来降低模型误判概率以提升分类效果的机制：加权偏置和丢弃偏置，在跨领域和对抗数据集上的实验证明，这种机制明显地提高了模型的鲁棒性和效果。

May, 2021

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

本文提出了一种渐进式自监督注意力学习方法，用于神经网络的方面级情感分类模型，该方法自动从训练语料库中挖掘有用的注意力监督信息来改善注意力机制，实验结果表明，该方法可以提高注意力机制，相对于现有的两个状态 - of-the-art 神经方面级情感分类模型具有明显的优越性。

Jun, 2019

本文提出了一种基于辅助句子和 BERT-ASC 的方法，来解决在缺乏标注数据的情况下，针对文本中暗含的方面进行情感分析和分类的问题，并在真实数据集上进行了有效性验证和性能评估。

Mar, 2022

本文提出一种多粒度对齐网络 (Multi-Granularity Alignment Network) 并采用粗到细任务转移方法，以改善低资源微观层面 Aspect Term (AT) 任务的学习效果，其中采用了一种新颖的辅助任务掌握的粗粒度 Aspect Category (AC) 任务的知识，并采用对比的特征对齐方法，通过语义的方式对齐方面 特定的特征表示。

Nov, 2018

本文提出了一种基于跨度的抗偏置情感表征学习框架，通过拟对手学习消除了方面嵌入中的情感偏差，然后通过跨度依赖建模将处理出的意见候选点与方面对齐，突出可解释的意见术语，在五个基准测试中取得了最新的最先进的性能，具有无监督意见提取的能力。

Sep, 2021

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

本文提出了一种通过将 ACSA 任务转化为自然语言生成任务，使得预训练语言模型可以更直接地应用于该任务设置，从而提高了在各种评估任务中的准确性，特别是在几次学习和零次学习设置下具有显著的优势。

Oct, 2021

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

本研究提出一种基于胶囊网络的 B-CL 模型，通过前向和后向知识转移解决连续学习情感分类任务中的迁移学习和维持旧任务表现的问题，经过广泛的实验证明，该模型能够显著提高情感分类任务的性能。

Dec, 2021