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

该论文描述了 SemEval-2014 中的 Twitter 情感分析任务，介绍了新的测试集并报道了最高 F1 分数达到 86.63（子任务 A）和 70.96（子任务 B）的结果。

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

本文简要介绍了作者和团队参加 SemEval2016 挑战赛的情况，讨论了在 Twitter 情感分析任务中的方法和步骤，其中使用了两阶段方法，最终使用集成学习方法来得出排名靠前的结果。

Jun, 2016

使用 BERT 模型对 SemEval2017 中 Twitter 上的英语情感分析任务 4A 进行解决，在训练数据量较小的分类任务中，BERT 是一个非常强大的大型语言模型。使用此模型进行实验时，我们使用了包含 12 个隐藏层的 BERT BASE 模型，该模型在准确性、精确率、召回率和 F1 分数上优于朴素贝叶斯基线模型，在二分类子任务中表现更好，我们还在实验过程中考虑了所有种类的伦理问题，因为 Twitter 数据包含个人和敏感信息。我们在此 GitHub 存储库中提供了实验中使用的数据集和代码。

Jan, 2024

介绍了 BLP 情感共享任务的概述，该任务是在 2023 BLP 研讨会上举办的，与 EMNLP 2023 同时举行。该任务的定义是在给定的社交媒体文本中检测情感。

Oct, 2023

本文提出了一种简单易用的多语言情感分析框架，旨在作为情感分析测试基线和构建新情感分析系统的起点。该框架经过在 8 种不同语言的比较中，在其中三种语言的国际竞赛中名列前茅，在其他语言中也超越了报告的结果。

Dec, 2016

使用收集到的七个手动标注的 Twitter 情感数据集，建立 LSTM 模型来对推文情感进行分类，并使用新数据集对模型进行评估。

Dec, 2022

本文介绍了在 SemEval-2018 挑战赛中参赛的深度学习模型及其应用。采用 Bi-LSTM 网络结构和多层自注意力机制，利用大量 Twitter 数据的 word2vec 词向量嵌入和情感特征，通过预先训练 Semeval 2017 年的数据集进行迁移学习，最终在多个子任务中取得了显著的结果。

Apr, 2018

本文描述了我们的系统，该系统已提交到 SemEval-2018 Affect in Tweets （AIT）任务以解决五个子任务，通过利用具有表情符号和哈希标签的大型远程标记语料库来对文本中的情绪进行建模。使用神经网络模型作为特征提取器来转移情感知识，并将这些表示用于传统的机器学习模型，如支持向量回归（SVR）和逻辑回归，以解决竞赛任务，我们的系统在参赛的所有子任务中都排名前三。

Apr, 2018