多标签少样本学习用于方面类别检测
该研究论文提出了一种新的子任务：多标签少样本的方面类别检测，使用标签驱动的去噪框架解决了当前任务中存在的噪声问题，实验结果表明该框架的性能优于目前其他先进的方法。
Oct, 2022
本研究提出了一种用于多标签方面类别检测的原型网络，并引入了支持集的注意力机制，同时利用标签信息对噪声进行调节。实验证明，我们的方法在四种不同的情境下优于所有基准线。
Sep, 2023
本文提出了一种新的多标签少样本方面类别检测模型 - 标签增强原型网络 (LPNo)，利用标签描述作为辅助知识来学习更具有区分性的原型，结合对比学习和自适应多标签推理模块，同时解决了数据匮乏问题。实验表明，模型在三个数据集上均取得了最先进的性能。
Jun, 2022
将深度神经网络与渐进式机器学习相结合，以解决评论句子中隐含和显式方面的检测问题，通过分析学习得到的 DNN 的潜在空间来建模实例之间的相似或相反关系，并在因子图中表示这些关系作为二元特征，最终的比较研究表明，该方法与纯 DNN 解决方案相比始终表现更好。
Apr, 2024
提出一种面向方面类别情感分析的多示例多标记学习网络（AC-MIMLLN），将句子视为袋子，单词视为实例，并将表示方面类别的单词作为关键实例。在三个公共数据集上的实验结果证明了 AC-MIMLLN 的有效性。
Oct, 2020
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
提出了一种基于 Sentence Constituent-Aware Network (SCAN) 的方案，采用图注意力模块和交互式损失函数，用于解决 Aspect category sentiment analysis (ACSA) 的问题，包括情感极性和方面类别检测，通过实验在五个公共数据集上验证了该方案的可行性。
Oct, 2020
本文提出了一种通过将 ACSA 任务转化为自然语言生成任务，使得预训练语言模型可以更直接地应用于该任务设置，从而提高了在各种评估任务中的准确性，特别是在几次学习和零次学习设置下具有显著的优势。
Oct, 2021
该论文提出了一种新的联合模型，其中包含共享情感预测层，用于解决 Aspect-category sentiment analysis 中一些方面类别存在数据不足问题并展示了该模型在 SemEval-2016 数据集上的有效性。
Aug, 2019