提出了一个新的数据集和嵌套目标注释模式来扩展 open-domain 情感分析的实用性和有效性，运用预训练模型 BART 进行序列生成方法，结果表明 open-domain 目标情感分析领域有很大的改进空间，但是在使用 open-domain 数据、长文档、目标结构复杂性和领域差异上仍存在挑战。

Apr, 2022

本文介绍了一个关于在情感分析中领域适应的研究。我们对领域相似度度量进行了广泛的研究，提出了新的表示方法、度量方法和数据选择。在推文和评论的大规模多领域适应设置中，我们评估了所提出的方法，并证明了它们一致地优于强随机和平衡的基线方法，而我们的选择策略优于实例级选择，并在大型评论语料库上获得了最佳分数。

Feb, 2017

本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

Aug, 2022

提出了一种基于跨度的提取 - 分类框架，其直接从句子中提取多个观点目标，并使用其跨度表示对相应的情感极性进行分类，该方法在三个基准数据集上的实验表明，该方法在情感分析中表现良好且优于以前的序列标注基线。

Jun, 2019

本文通过在六个不同的基准上比较多个模型，展示了 Bi-LSTMs 在不同数据集上都有出色表现，并说明 LSTMs 和 Bi-LSTMs 对于多分类细粒度情感任务非常适用。此外，文章还指出，在训练过程中将情感信息融入词嵌入向量可以显著提高与训练数据相似的数据集的效果，有效促进了不同模型结构在不同数据集上的性能的理解和研究。

Sep, 2017

通过使用领域特定的词向量和标签传播框架，结合少量种子单词，创造与手动资源相媲美的精准的领域特定情感词典，用于量化情感在时间和社区之间的差异，并在此基础上，提出了历史情感词汇表和社区特定情感词汇表。

Jun, 2016

通过使用不同领域的语料库和不同质量的数据，我们训练了一系列的大语言模型，在多个下游任务中，跨领域数据集训练的模型表现优于仅使用高质量数据训练的模型，前者的性能提升高达 4.45%。

Oct, 2023

本文提出了一种用于跨域情感分类的新方法，利用属性检测这一正交的领域相关任务来提炼领域不变情感特征，实现了对领域转移的有效性验证。

Aug, 2019

本文提出了一种训练出更具有领域迁移鲁棒性的模型的方法，通过训练一个简单模型以识别数据集偏差，再与鲁棒模型结合，使其更专注于数据集中更容易推广的模式。在五个具有领域迁移测试集的数据集上实验，结果显示在所有情况下都有显著改善，包括一个变化优先视觉问答数据集上的 12 点增益和一个对抗问答测试集上的 9 点增益。

Sep, 2019

通过将领域适应问题视为嵌入投影任务，我们提出了一种新的方法，该模型可以将两个单域嵌入空间投影到一个双域空间，以预测情感分类，并在 20 个来源目标域对情感分类进行领域适应实验，并在高度背离的域中表现明显优于现有技术。

Jun, 2018