提出了一个名为 IterD 的系统化迭代数据增强框架来提高 ABSA（Aspect-based Sentiment Analysis）的性能，通过利用大型语言模型迭代地产生更加流畅和多样的合成标签数据，从而在 4 个广泛使用的 ABSA 基准测试中带来了稳定且显著的性能提升，并且由 IterD 生成的合成数据可以达到与人工标注数据相媲美甚至更好的性能。

Jun, 2024

本文提出了一个统一的双向生成框架，基于生成模型，通过域自适应和数据增强来解决跨领域细粒度情感分析问题，并在四个跨领域情感分析任务上达到了最新的最佳结果。

May, 2023

介绍了一种用于多语言情感分析的新型框架 CL-XABSA，它基于对比学习，包括 token level 对比学习和 sentiment level 对比学习，可以通过多语言数据训练，并使用知识蒸馏技术进一步提高模型性能。该方法在跨语言情感分析、知识蒸馏和多语言情感分析三个任务中均有一定的改进。

Apr, 2022

提出一种采用反事实数据增强方法，针对情感分析任务中球面情感倾向分析的问题，该方法利用集成梯度计算和蒙版技术对情感表达式进行反转，并通过一个 T5 预训练语言模型进行预测，在三个开源数据集上获得更好的结果。

Jun, 2023

本研究针对情感分析在实际应用中的可靠性进行了探究，通过加强当前最佳的句法感知模型，并基于丰富的伪数据进行敌对训练，进一步提高了模型的鲁棒性。实验结果表明，所提出的方法比现有的基线模型的鲁棒性性能更好，同时合成语料库作为额外数据能够进一步提高测试准确性。

Apr, 2023

本研究提出了一种基于句法导向域自适应模型的新颖跨领域 ABSA 方法，该方法利用句法结构相似性构建伪训练实例，同时引入一种基于句法的 BERT 掩码语言模型以进一步捕获领域不变特征；最后，为了减轻跨领域 End2End ABSA 中的情感不一致问题，引入了基于跨度的联合方面和情感模块。在五个基准数据集上的实验结果表明，与现有模型相比，我们的模型在跨领域 End2End ABSA 任务的微 F1 指标方面始终表现出色。

Nov, 2022

通过增强方面 - 句子感知关注机制，提出了一个名为 A3SN 的新颖技术，通过增加注意力模块和整合特征表示，增强了 Aspect-Based Sentiment Analysis（ABSA）的效果，并在三个基准数据集上胜过了最先进的基准模型。

May, 2024

本论文提出了一种整合了明确情感增强的 ABSA 方法，通过基于规则的数据对 T5 进行后训练，并采用句法距离加权和不合理对比正则化来生成明确情感，同时利用约束束搜索确保增强句子包含方面术语，在 ABSA 两个最流行的基准测试中，ABSA-ESA 在隐式和明确情绪准确性上优于 SOTA 基线。

Dec, 2023

本文提出将基于方面的情感分析任务转变为使用目标、方面和极性生成辅助语句的抽象摘要式生成任务，在餐厅领域和城市社区领域基准数据集上 fine-tune 了一个预训练模型，获得了最新的最优结果。

Oct, 2021

本文提出了一个统一的框架来解决基于方面的情感分析（ABSA）及其相关子任务，通过在多任务学习模式下使用 T5 模型，通过教学提示进行 fine-tuning，并在多个基准数据集上实现了表现提升（F1 绝对值增加了 6.75），特别是在少样本情况下。

Oct, 2022