通过建模评论中的句子之间的相互依赖关系，我们提出了一种基于分层双向LSTM的情感分析方法，在五个多语种、多领域的数据集上取得了竞争状态下最先进结果，并优于其它两种基线模型，而且不需要使用手工特征或外部资源。

Sep, 2016

本文提出了一种新的神经网络框架来编码用户和产品信息，并通过注意力机制将两种信息结合起来进行训练和预测，在IMDB和Yelp的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化，验证了对两种信息在情感分类中起着不同作用的观察结果。

Jan, 2018

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

本研究提出了一种基于变分自编码器的生成模型，可以在无监督学习的条件下，通过控制输入文本的变异程度，生成简明扼要、持有共识观点的评论摘要。

Nov, 2019

本文提出了一种通过双重视图模型并使用不一致性损失来同时进行评论摘要和情感分类的方法，证明了该模型在四个不同领域的数据集上具有优异的性能。

Jun, 2020

本文研究如何利用主题模式和情感上下文有效生成具有区分性的表示，提出了一种分层交互网络（Hierarchical Interaction Networks，HIN）和一种基于情感重新思考机制（Sentiment-based Rethinking mechanism，SR）的方法，优于其他最先进的方法。

Jul, 2020

本文提出了一个基于层次自注意力网络框架（HabNet）的论文审阅评级预测和推荐方法，该方法能够作为学术论文审阅过程的有效决策工具，并通过三级编码器中的分层结构来识别有用的预测器，以及帮助发现评审者所传达的数值评级和文本情感之间的不一致性，进一步引入了两个新的度量标准来评估数据不平衡情况下的模型，经过对公开数据集（PeerRead）和我们自己收集的数据集（OpenReview）的广泛实验，证明了该方法相比于最先进的方法有着更为卓越的表现。

Nov, 2020

本文提出了Heterogeneous Historical Review aware Review Summarization Model (HHRRS)，它结合了历史客户和产品的评分信息，采用图推理模块以对比损失函数分别对这两种历史评论进行建模。同时本文使用多任务框架，对评论情感分类和摘要进行联合训练，并在四个基准数据集上进行了广泛的实验证明了HHRRS的优越性。

Jan, 2023

我们提出了一种无监督的意见摘要方法，该方法将顾客评论中的句子编码到分层离散的潜空间中，然后基于编码的频率识别常见的意见，并通过解码这些频繁的编码生成抽象摘要和通过选择分配给相同频繁编码的句子生成提取摘要

May, 2023