本篇论文的主要研究是关于使用弱监督训练出纯文本的粒度级别用于用户生成的评论的细粒度方面分类器，并提出了基于学生 - 教师模型和迭代协同训练的方法来改进模型表现，对商品评论和餐厅评论的六个数据集，该方法模型的绝对 f1 值平均提升了 14.1 个百分点。

Sep, 2019

我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

Jan, 2014

本文提出了一种新的纵向情感分析模型，利用可训练的神经网络同时检测情感对象和其情感倾向，并使用不同的神经网络结构和词嵌入在 GermEval 2017 数据集上进行了实验。最终通过使用卷积神经网络和 fasttext 嵌入结合的方法，成功地超越了 2017 年的共享任务最佳提交结果，取得了新的最高水平。

Aug, 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

这篇论文研究的主题是使用深度学习进行监督式商品评论的精细情感分析。论文提出了一种使用两种预先训练的词向量嵌入进行商品特征提取的简单 CNN 模型，取得了优于先前最先进方法的出色结果。

May, 2018

本文基于依赖解析和简单的规则，提出了一种弱监督多方面情感分类方法，通过引入一个潜在变量和变分下界来实现情感极性的学习，实验表明该方法优于弱监督基线模型并与具有百个标签的监督方法具有可比性。

Apr, 2019

本论文介绍了我们在 SemEval 2016 任务 5 中使用深度学习的多语言基于方面的情感分析的方法。我们使用卷积神经网络（CNN）对方面抽取和基于方面的情感分析进行处理。我们将方面提取视为一个多标签分类问题，输出一个阈值参数化的方面概率。为了确定对方面的情感态度，我们使用局限系统（英语不受限制）对语句进行分析，其在所有语言和领域中均取得了竞争性的结果，对于方面类别检测（插槽 1）和情感极性（插槽 3）分别在 11 种语言域对中的 5 个和 7 个中排名第一或第二，从而证明深度学习为基于方面和多语言的情感分析方法的可行性。

Sep, 2016

通过基于注意力机制的深度神经网络方法，对餐厅方面的用户评论进行情感分析，并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上，我们的方法表现优于现有的方法，并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。

Jan, 2019

本文提出了一种简单而有效的方法，利用词向量和 POS 标注器实现情感分析中的方面识别，引入了一种基于 RBF 内核的新型单头关注机制 Contrastive Attention (CAt)，避免使用句法特征和复杂神经模型，成功证明了在当前基准数据集中不需要使用这样的复杂模型。

Apr, 2020

本文提出了一种极弱监督的多标签方面类别情感分析框架，并提出了一种自动词语选择技术来选择这些种子类别和情感词，利用无监督语言模型后训练来提高性能，在四个基准数据集上的实验证明了该方法显著优于其他弱监督基线。

Nov, 2022