本文介绍了一项对于基于句法的方面级情感挖掘的三种著名算法的经验可重复性研究，表明由于预处理和参数设置缺少细节以及缺乏可用的代码实现以阐明细节，再现结果仍然是一项困难的任务，这是该领域的重要研究威胁。因此，鼓励代码驱动的研究在帮助研究人员更好地理解最新技术意义和生成持续进展方面具有关键作用。

Jan, 2017

提出细化问题--分类特定方面和意见词提取，并使用多任务注意力模型解决数据稀疏性问题，在三个基准数据集上展示出其最先进的性能。

Feb, 2017

通过算法自动挖掘提取规则，应用于标注大量辅助数据，以及研究训练程序，使得神经网络模型在同时学习自动标注和人工精确标注数据的情况下，超越或与现有先进技术相当的表现。

Jul, 2019

通过在句子的依赖树上构建图卷积网络，利用了句法信息和单词依赖关系，提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明，该模型与一系列最先进的模型具有可比较的效果。

Sep, 2019

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

本文旨在学习一种以方面为中心的树形结构来缩短方面词和对应观点词之间的距离，以此来更好地识别情感极性。在五个面向方面的情感数据集上进行实验证明，该模型显著优于最近的强基准线。此外, 对标准SemEval Restaurant14数据集的详细分析表明，方面词和观点词之间的平均距离至少缩短了19%。

Sep, 2021

提出了Scope的概念，用于描述与特定目标相关的结构文本区域。结合组成树和依赖树的信息，提出了一个杂交图卷积网络（HGCN）来共同学习结构Scope并预测情感极性，证明该模型优于当前最先进的基线模型。

Apr, 2022

本文介绍了一种基于BERT模型的文本编码方法，该方法不再使用依存图卷积网络，而是使用BERT wordpieces来提取主题。此外，将句子-方面对作为输入，以提高对方面表示损失的性能。该方法在基准数据集上实现了最先进的结果，是进一步研究的强有力基线。

May, 2023

本研究探讨了图注意力网络在提取方面和意见术语方面的能力。我们将方面和意见术语提取看作是一种类似于命名实体识别的标记级分类任务，并使用输入查询的依赖树作为图注意力网络中的附加特征，结合了标记和词性特征。实验证明依赖结构是一个强大的特征，在CRF层的存在下显著提高了性能，并在SemEval 2014、2015和2016的常用数据集上生成了最佳结果。除了CRF层外，我们还尝试了BiLSTM和Transformer等额外层次。我们还表明，在同一查询中存在多个方面或情感的情况下，我们的方法也能很好地运行，无需根据单个方面修改依赖树，这与原始的情感分类应用不同。

Apr, 2024

本研究针对情感分析中的细微评估提取问题，提出了一个综合框架，该框架结合了主题描述符的位置信息，利用图的卷积和注意机制将句法结构转换为矩阵格式。该方案显著提升了评估分类的有效性，展示了其优越性。

Sep, 2024