本文提出了一种基于互信息最大化的简单而有效的技术，用于增强任何类型的模型进行跨领域 ABSA 和 ATE，并分析了该方法。实验结果表明，我们提出的方法在 10 个不同领域对的跨领域 ABSA 平均 Micro-F1 上超过现有技术 4.32％。此外，我们的方法可以扩展到其他序列标记任务，例如命名实体识别（NER）。

Jan, 2022

该研究提出了一种名为 KGAN 的知识图增强网络，旨在增强对细粒度情感分析任务的理解。该方法通过并行学习语境和句法表示来捕获情感特征，然后结合知识图和 RoBERTa 模型进一步获取方面特定的知识表示，并通过分层融合模块进行完整的特征表示。该方法在五个流行的 ABSA 数据集上进行了大量实验，并在所有数据集中实现了最先进性能的新纪录。

Jan, 2022

本文提出了一种交互式多任务学习网络（IMN）用于处理基于方面的情感分析，它能够同时在标记级别和文档级别上联合学习多个相关任务，介绍了一种消息传递架构，其中信息通过一组共享的潜在变量迭代地传递到不同任务，实验结果表明，与多个基准模型相比，提出的方法在三个基准数据集上表现更加优越。

Jun, 2019

本研究提出了一种基于传输学习的混合方法，通过利用大型语言模型和传统句法依存关系生成弱监督注释，以解决当前最先进的 ABSA 研究中的显著挑战。在多个数据集上进行了大量实验，证明了该混合方法在方面词提取和方面情感分类任务中的有效性。

Mar, 2024

本文提出了一种基于句法依存知识的交互式多任务学习模型，结合依存关系嵌入图卷积网络和简单有效的消息传递机制，以实现对情感分析的方面术语的提取和情感识别任务，并采用 BERT 作为附加特征提取器，实现了对现有最新技术方法更显著的效果提升。

Apr, 2020

我们引入了一种创新模型：句法依赖增强的多任务交互架构 (SDEMTIA)，用于全面的基于方面的情感分析 (ABSA)。我们的方法创新地利用了句法知识 (依赖关系和类型)，并使用专门的句法依赖嵌入交互网络 (SDEIN)。我们还在多任务学习框架内结合了一种新颖高效的信息传递机制，以增强学习效果。我们在基准数据集上的广泛实验证明了我们模型的优越性，明显超越了现有方法。此外，引入 BERT 作为辅助特征提取器进一步提高了我们模型的性能。

Nov, 2023

通过增强方面 - 句子感知关注机制，提出了一个名为 A3SN 的新颖技术，通过增加注意力模块和整合特征表示，增强了 Aspect-Based Sentiment Analysis（ABSA）的效果，并在三个基准数据集上胜过了最先进的基准模型。

May, 2024

本文提出了一个统一的框架来解决基于方面的情感分析（ABSA）及其相关子任务，通过在多任务学习模式下使用 T5 模型，通过教学提示进行 fine-tuning，并在多个基准数据集上实现了表现提升（F1 绝对值增加了 6.75），特别是在少样本情况下。

Oct, 2022

本文介绍了一种可扩展到任何 ABSA 子任务的生成框架 PFInstruct，通过在任务描述中添加 NLP 相关任务前缀，相较于基准模型，在所测试的所有 SemEval 子任务中取得了更好的性能，并在 Rest14（ATE 子任务）上以 + 3.28 的 F1 分数和在 AOOE 子任务上平均 + 5.43 的 F1 分数超越了之前的最新结果，并且我们发现，即使存在噪声，前缀增强的提示质量也可以提高模型性能。同时，我们的方法在生物医学领域数据集（ERSA）上也取得了有竞争力的结果。

May, 2024

本文提出了 SentiPrompt 框架，通过在联合框架中注入情感知识并构建一致性和极性判断模板，明确建模方面和观点术语之间的关系，使其优于三元组提取，一对提取和情感分类方面的强基线。

Sep, 2021