本篇论文是第一次在计算语言学领域研究投诉的严重程度等级，在公开数据集中加入四个严重程度等级并采用不同的基于 transformer 的网络结构和语言信息来训练模型，在二进制投诉检测和投诉严重程度等级多任务设置的联合模型中达到了最新的最优结果，最后提供了模型预测投诉严重等级的定性分析。

Mar, 2021

本文针对社交媒体文本中的投诉行为进行了系统的语言学分析，基于 9 个领域的数据，使用多种基于特征和神经网络的机器学习模型，最终取得了最高 79F1 的预测性能，其结果可供相关机构或企业作为提升客户体验的依据。

Jun, 2019

本研究旨在探索使用最新预训练的神经语言模型与语言信息的组合来自动识别社交媒体投诉。我们评估了一系列以 transformer 网络为基础的神经网络模型，结果表明我们的模型在公开数据集上表现出色，F1 宏平均值高达 87。

Oct, 2020

本文提出了一种迭代方法，可以识别与交通领域有关的投诉帖子，并进行全面评估和发布新数据集，以改进机构服务。

Jan, 2020

本文旨在研究从文本中检测情感强度的任务。我们创建了第一个标记有愤怒、恐惧、喜悦和悲伤强度的推文数据集，并使用最佳 - 最差比例（BWS）技术提高注释一致性和获得可靠的细粒度分数。我们发现情感词 hashtag 通常会影响情感强度，通常传达更强烈的情感。最后，我们创建了一个基准回归系统，并进行实验，以确定哪些特征对于检测情感强度有用，以及两种情感在语言表现方面的相似程度。

Aug, 2017

本文介绍了第一次分享任务，利用 “最优 - 最劣” 刻度（BWS）技术创建了推文的情绪强度数据集，并展示了标注数据的可靠性和机器学习系统的效果，增进了语言传达情绪强度的理解。

Aug, 2017

本文讨论了如何确定在多语混杂的社交媒体文本中代码混杂的复杂度，并提出了新的指标以更好地反映多语混杂文档的复杂性，可应用于句子、段落或整个文档。

Jul, 2017

本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

Dec, 2022

我们开发了一种基于自然语言处理的程序，用于检测消费者投诉中的系统性非可取行为，称为系统性异常，而不是检测重大异常，对于小型和频繁的系统性异常，由于各种原因，包括技术原因和人为分析师的自然限制，算法可能会失效。因此，在分类之后的下一步，我们将投诉描述转换为定量数据，然后使用一种检测系统性异常的算法进行分析。我们使用消费者金融保护局的消费者投诉数据库中的投诉描述来说明整个过程。

Aug, 2023

本文提出了一个有效的语义管道，基于社交媒体的写作，研究个体的抑郁症严重程度。通过计算方法，利用用户生成的社交媒体内容，本文探讨了不同聚合方法以准确预测用户症状严重程度，并在 Reddit 的两个基准测试中取得了 30％的提高。

Nov, 2022