本文通过针对 2019 年阿根廷总统大选主要媒体发布的 1,976 个题名候选人的情感数据集，利用预训练的语言模型和最先进的分类算法，解决了特定领域新闻标题情感分析的问题，并公开了数据和模型。

Aug, 2022

这篇论文研究了新闻文章情感分析的不同点，并且提出了三个需要解决的子任务，同时尝试从新闻文章中分离出正负面情感并挖掘其中的实体，最终得到的实验结果表明，忽略专业领域的词汇能够在新闻观点挖掘的任务中产生更好的效果。

Sep, 2013

利用大型语言模型（LLMs）预测政治新闻文章中特定实体的情感，并通过少样本学习（few-shot）策略和连续思维（COT）方法增强情感预测准确率。研究结果发现，LLMs 在捕捉实体特定情感方面优于经过调优的 BERT 模型，并且通过在上下文中少样本学习和自一致机制可提高情感预测的连贯性。然而，COT 提示方法的有效性存在一定的不一致性，因此合适的提示策略和模型架构至关重要。

Apr, 2024

本文提出了一种基于 DistilBERT 模型完全的方法和一种卷积神经网络的方法，通过分析英语电话交谈转录本来进行实体级情感分析，以期提供商业见解。

Oct, 2022

本研究定义了一个新的任务 “责任关系提取”，并构建了一个新的数据集，通过诸如 BiLSTM 网络的方法，利用 GloVe 和 ELMo 这样的大型无监督模型，实现了 US 金融危机期间出现的责任关系的自动提取和有效性检验，其 F1 得分最高达到 70％，是社会科学家更高效地提取责任关系的有用工具。

Apr, 2019

本文引入了一项新的任务，即实体之间（E2E）的立场检测，旨在于能够在研究相互作用时识别实体及其立场；通过引入一种新的生成框架，强化模型，以及进一步引入图编码器来概括实体活动以及周围的外部知识，我们实验后得出在 E2E 立场检测方面，相对较强的效果。此外，我们还发现，E2E 立场检测对于理解媒体引用和立场文化以及推断实体意识形态非常有用。

Nov, 2022

本篇研究探讨了实体级情感分析（Entity-Level Sentiment Analysis，ELSA）这一任务，通过对多个领域的专业评论进行深入研究，发现其中所包含的情感涉及的实体与情感之间存在着特定关系，并提供了一系列实验以证明文档级、句子级和目标级情感分析对于 ELSA 的贡献，并探讨了它们的缺点。同时，还对该领域的先前相关研究进行了综述。

Apr, 2023

本文探讨了在新闻标题中进行细粒度金融情感分析的任务和挑战，提出 SAEntFiN 1.0 数据集，并使用特征为基础的方法提取实体相关情感。使用 12 种不同的学习方案验证实验结果，RoBERTa 和 finBERT 的平均准确率和 F1 分数最高，同时使用 210,000 多个实体情感预测验证了情感对市场的影响。

May, 2023

PerSenT 数据集包括了新闻文章中主要实体的情感分析，并提供了段落级别的情感注释以提供更精细的监督。该数据集的基准测试表明，这是一项困难的分类任务。该论文指出，使用 BERT 对文档级表示进行微调是不足够的，并且对整个文档进行段落级别的决策和聚合也是无效的。该数据集包含 5.3k 个文档和 38k 个段落，涵盖 3.2k 个独特的实体，是实体情感分析中的一个挑战。

Nov, 2020

本文提出了一种基于推文训练的两步分类方案，用于检测长文本中的政治偏见。该方案包括通过推特数据训练中性检测器，用于去除文章中的中性句子以实现意见集中，并提高了文章的预测准确性。

Sep, 2019