本研究旨在解决对于孟加拉语资源与跨领域适应性缺乏研究的限制，因此提出一个大规模的孟加拉语电子书评论数据集， 使用各种机器学习模型分析数据，发现预训练模型比手工特征模型具有更高的性能，同时进行错误分析以提供关于在孟加拉语等欠资源语言中常见的分类错误的见解。

May, 2023

本研究提出了一种用于识别和提取孟加拉文文本中情感的方法，使用基于 Transformer 的模型构建了孟加拉语情感分类器，并使用 “Unified Bangla Multi-class Emotion Corpus (UBMEC)” 评估了模型的性能。

Oct, 2022

该论文提供了用于评估孟加拉语词嵌入质量的高质量数据集，该数据集对于基准测试和指导未来研究至关重要。

Apr, 2023

近年来，情感分析和情绪识别在孟加拉语中变得越来越流行，该语言是全球使用第七多的语言。然而，由于语言的结构复杂，这一领域难以准确地提取情绪。本研究通过构建一个基于 Facebook 抓取的注释语料库的全面方法来解决这一主题领域的挑战和难题，为该语言中的多情感提取奠定了基础。同时，应用了上下文方法和 BERT 转换器的双向编码表示，得到了最佳结果。最后，开发了一个网络应用程序，展示了孟加拉语中多标签情绪识别的预训练模型（BERT）的性能。

Sep, 2023

本文提出了一种基于 Transformer 的技术，通过机器学习和深度神经网络的方法，将孟加拉文本分类为六种基本情感，实验结果显示，使用 XLM-R 技术在测试数据上获得了最高的加权 F1 值（69.73%）。

Apr, 2021

该论文提出了一种基于图的无监督生成式摘要系统，用于低资源语言 Bengali 的单篇文档，只需要使用 POS 标注器和在 Bengali 文本上进行预训练的语言模型，该系统表现比多个聚焦摘要系统更好，并提供了人工注释的数据集以支持未来的研究。

Jan, 2021

本文旨在将孟加拉民间故事的丰富性以更精密的计算方式呈现给每个人。本研究中提出的模型是研究和分析孟加拉民间故事时，孟加拉语自然语言处理的第一步。

Mar, 2022

本文介绍我们正在进行的工作，使用语言学数据收集的领域方法，为四种资源匮乏的印度 - 雅利安语言 —— 阿瓦德语、博杰普尔语、布拉杰语和马加希语开发语音语料库。我们还讨论了这些语言的数据收集方法，大部分是在 COVID-19 疫情期间进行的，目的之一是为讲这些语言的低收入群体提供额外的收入来源，并讨论了这些语言的自动语音识别系统的基线实验结果。

Jun, 2022

情感分析（SA）是指将情感极性（通常为正面、负面或中性，甚至包括微妙的愤怒、悲伤等）与给定的文本相关联，基本上将其分解为一项监督分类任务。本文分析了孟加拉语中情感分析的最新技术，特别是基于 Transformer 的模型，讨论了可用的数据集及其缺点，以及在孟加拉语中应用情感分析所面临的挑战，并为未来的研究提供了解决局限性的见解。

Jan, 2024

本研究创建了一个巨大的印地语对话数据集 EmoInHindi，用于多标签情感和强度识别。研究着重于表达和识别上下文语境中的情感。

May, 2022