本研究提出了一种利用表情符号作为新通道来学习语言中跨语言和特定语言情感模式的表示学习方法，并将其应用于跨语言情感分类。该方法在基准数据集上展示出最先进的性能表现。

Jun, 2018

本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法，通过扩展对更多嘈杂标签的监督，模型可以学习更丰富的表示，同时从一个包含 64 个常见表情的数据集中进行表情预测，使用单个预训练模型在 8 个基准数据集中取得了最先进的性能，并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。

Aug, 2017

本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法，在 Twitter 数据集上使用表情符号来训练深度神经模型，有效地解决了对象分类模型在情感分析中的限制，其结果在公共情感分析基准测试中表现出优秀的性能。同时，研究者还基于表情符号的视觉情感反应提出了一种新的表情符号表示方法，加深了对表情符号模态的理解。

Jul, 2019

本文研究社交媒体中 emoji 图标的情感分类问题，并探讨了不同的多模态官能（文本、emoji 和图片）在此问题中的作用，结果表明三种官能可互补，最高准确度达到 71.98％。

Mar, 2019

本文提出了基于 Transformer 网络的多类和多标签表情符号预测模型，并使用启发式方法从 Twitter 构建了多个表情符号预测数据集。实验结果表明，相对先前的最新技术，我们的 BERT 模型在所有数据集和所有设置下都取得了最先进的性能，其中精度提高了 27.21％到 236.36％，前 5 个精度提高了 2.01％到 88.28％，F-1 分数提高了 65.19％到 346.79％。

Jul, 2020

借助基于表情符号的标注语料以及引入强化条件变分编码器，论文提出了一种生成具有特定情感的高质量抽象会话回复的深度生成模型。

Nov, 2017

本文描述了对库尔德语数据的情感分析数据集的收集和注释，并探讨了几种经典的机器学习和神经网络技术以及数据增强的方法。我们证明了数据增强可以在难度较大的情况下实现高的 F1 分数和准确性。

Apr, 2023

在线媒体产生了大量的非结构化数据，我们提出了一种新的方法来预测在线文本消息中表达的表情符号的情感，并构建了一个情感词典进行评估和比较。

Apr, 2024

本研究提出了一种基于 BERT 的 transformer 方法来预测文本中最合适的 emoji 表情符号，实验结果表明我们的方法的准确性高于其他几种先进的模型，这个方法有潜在的在自然语言处理、情感分析和社交媒体营销的应用。

Jul, 2023

本文提出了一个模型，使用 Hindi 语言的一个新数据集作为输入，并使用修正的联邦学习算法进行监控，以实现预测表情 Symbol 的目标。该方法可以在降低数据量和保护用户隐私的同时，达到与更复杂的集中式模型相当的性能。

Nov, 2022