本文使用 16 种不同的特征提取方法（包括 unigrams、bigrams、trigrams 和潜在语义索引）和 4 种机器学习算法（包括逻辑回归、朴素贝叶斯分类、感知器和线性支持向量分类）将评论评级预测视为多类分类问题，并分析了每种模型的性能，从而提出了最佳模型。使用 Yelp 数据集来训练和测试模型。
May, 2016
本文使用卷积神经网络并采用单词嵌入技术，通过对 Yelp 2017 挑战数据集业务评论进行多次实验处理，取得了与传统方法相当的分类效果。
Oct, 2017
本文旨在利用机器学习的方法来分析学生的课程反馈，使用自然语言处理的技术和嵌入式词和深度神经网络等现代方法，使用 RoBERTa 模型获得 95.5% 的准确率和 84.7% 的 F1-macro，提供给大学和课程提供商以一个使用 NLP 模型自我评估和改进的指导。
Apr, 2023
使用 GoEmotions 数据集评估情感分析模型的效能并扩展研究范围，发现 RoBERTa 模型在细粒度情感分类任务上表现出色，推动了情感分析能力的发展。
May, 2024
使用深度学习方法构建了一个基于 Web 的美食点评系统， 实现了对美食点评的情感分析、自动标签生成和检索。结果表明，这对解决实际问题具有很高的应用前景。
Jan, 2022
利用 1484 个在线评论的数据集，作者使用深度学习和机器学习技术中的逻辑回归算法，确定了预测食物质量的最准确方法。该研究提供了有价值的洞察力，帮助用户决定是否订购食物。
使用 Yemek Sepeti 的数据和其变体，采用多种机器学习算法，结合多种自然语言处理方法，旨在达到最高的准确率，并优化算法的参数，训练得到的模型可用于无标签数据的客户满意度测量。本研究中应用的三种自然语言处理方法能够使大部分模型的准确率提高约 5%。
本文针对低资源约束下的乌兹别克语收集餐厅评论数据，并通过使用不同的技术，从基于逻辑回归模型，支持向量机，甚至是循环神经网络和卷积神经网络等深度学习模型进行评估的方式，提供了一些进一步的分析。 实验结果表明，在进行词干提取等预处理步骤后，该系统的精度提高，最终在最佳模型中达到 91％的精度结果。
May, 2022
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
本研究论文探讨了深度学习技术（尤其是 BERT 模型）在情感分析中的应用，介绍了情感分析的基本概念和深度学习方法的应用。通过详细的解释，阐明了 BERT 模型在情感分析中的应用效果和优化策略，并通过实验证实了这一点。实验结果表明 BERT 模型在情感分析任务中表现出强大的性能，经过微调后得到了显著的提升。最后，该论文总结了 BERT 模型在情感分析中的潜在应用和未来研究方向，以及实际实施的建议。
Mar, 2024