通过比较分析，本研究探讨了深度神经网络在基于方面的情感分析方面的应用，并发现 FAST LSA 在两个基准数据集（Restaurant14 和 Laptop-14）上取得了最佳结果，准确率分别为 87.6% 和 82.6%，但 LSA+DeBERTa 则报告了分别为 90.33% 和 86.21% 的准确率。

Jul, 2024

在跨语言情感分析领域，公共的小型多语言语言模型在零样本跨语言性能上优于大型通用语言模型，但在少样本跨语言设置中，公共的大型通用语言模型展现出更高的适应潜力。

Jun, 2024

通过将 transformers 视为将导致点在欧几里得空间中演化的离散时间动态系统，并利用基于超平面分离的自注意力机制的几何解释，我们严格描述了层数趋近于无穷大时具有硬最大自注意和规范化子层的 transformers 行为。我们的理论理解使我们能够使用一个完全可解释的 transformer 模型来解决语言处理中的情感分析问题，这个模型通过将无意义的单词聚类到携带最有意义的主导单词周围来有效地捕捉 ` 语境 '。最后，我们概述了将 transformers 的数学分析与实际实现之间的差距的剩余挑战。

Jun, 2024

通过引入 InterCLIP-MEP 框架，结合 InterCLIP 和 MEP，并改进文本 - 图像交互编码，实现了对多模态讽刺的更强鲁棒性的识别。

Jun, 2024

SALSA 项目旨在利用快速句法分析技术构建轻量高效的情感分析系统，同时通过显式使用句法提供准确度和可解释性，以满足中小企业生产使用的需求。

Jun, 2024

这篇论文研究了在情感分析过程中使用序列标注句法解析器注入句法信息以提高速度和准确性的方法，通过对三元极性分类任务进行训练和评估，展示了该方法相较于传统的句法解析器和基于浅层句法规则的启发式方法在极性预测任务中更快且更准确的表现，特别适用于在研究和工业领域中进行情感分析的实践者。此外，还比较了在极性预测任务中使用几种情感词典在序列标注句法解析器上的表现，结果显示对于捕捉极性判断变化的词典比忽略极性判断变化的词典效果更好，而且与基于 Transformer 模型的五类别分类任务相比，序列标注句法解析器在极性预测任务中表现更快。

Jun, 2024

利用情感分析应用于金融新闻标题以了解投资者情绪，通过自然语言处理和大型语言模型，从零售投资者的角度分析情感，使用金融短语库数据集进行情感分类，证明了 Fine-tuned 的 gemma-7b 模型表现最佳，准确度、召回率和 F1 分数均最高，展示了该模型在捕捉金融情感细微差别方面的鲁棒性，能够提供市场洞察、风险管理和辅助投资决策的强大工具，强调了先进的大型语言模型在金融行业中分析和解读金融信息方面的潜力。

Jun, 2024

该研究旨在利用自然语言处理技术分析联合国大会演讲，提取语义模式、情感分析和主题建模，为政治学家提供全面的数据集和工具，以便他们从中获取国际关系的见解并对全球外交话语有一个细致的理解。

Jun, 2024

为了支持文本媒体在心理健康领域的应用，特别是危机关怀方面，我们正在开发一种使用按键动态和情感分析相结合的 passsive 情感识别系统。我们的初步研究结果表明，分析短信和键盘输入模式可以提供情感信息，以支持用户和接触者。我们利用初步研究结果探讨了将人工智能应用于支持心理健康提供者提供更好关怀的前进方向。

Jun, 2024

该研究探讨了多头注意力在 Transformer 模型中的行为，特别关注在情感分析背景下良性和特洛伊模型之间的差异。特洛伊攻击导致模型在干净输入上表现正常，但在包含预定义触发器的输入上出现误分类。我们对特洛伊和良性模型中的注意力头函数进行了表征，识别出特定的 “特洛伊” 头部，并分析了它们的行为。

Jun, 2024