本文提出一种基于转移的方法，使用指针网络架构实现，用于将文本中的观点作为依存句法结构提取并有效地表示。作者进行了详细评估，证明了该方法在多数情况下具有目前最好的表现，并在最具挑战性的数据集上超越了最新的任务特定技术。此外，作者还进行了深入的分析，实验表明本方法的时间复杂度成二次方，比表现最佳的基于图的解析器更高效。

May, 2023

本文提出了一种新的统一框架，将结构化情感分析问题作为依存关系图解析，其中节点是情感持有者、目标和表达式，弧是它们之间的关系。在四种语言的五个数据集上进行实验，结果显示这种方法比现有技术有更好的表现，并通过依存语法信息改进情感图产生了更好的结果。

May, 2021

通过引入任务特定提示方法和多模态生成框架 UniSA，我们提出了一种统一所有情感分析子任务的方法，并将主要子任务的基准数据集整理成了新的情感分析评估基准 SAEval。我们设计了新颖的预训练任务和训练方法，使模型能够在不同子任务中学习一般性的情感知识，从而提高模型的多模态情感感知能力。实验结果表明，UniSA 在所有子任务上表现出与最先进方法相当的性能，并在情感分析的各种子任务中具有很好的泛化能力。

Sep, 2023

本研究重新定义了事件级别情感分析的任务，提出了一种称之为 $ extit {E}^{3} extit {SA}$ 的端到端事件级别情感分析方法，明确提取并模块化事件结构信息来增强事件级别情感分析。通过实验证明了该方法在现有技术中具有显著优势，并且通过提供包括事件论点和情感标签在内的大型真实世界数据集来促进更多的研究。

May, 2022

我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性，以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明，我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外，我们的工作还为无监督的观点词挖掘方法设立了一个基准。

Apr, 2024

本文旨在通过将每个 ABSA 子任务目标重新定义为由指针索引和情感类别索引混合的序列，将 ABSA 的各个子任务转换为统一的生成式公式，并利用预训练序列到序列模型 BART 在端到端框架中解决所有 ABSA 子任务。实验结果表明，我们的框架在四个 ABSA 数据集上实现了实质性的性能收益，并为整个 ABSA 子任务提供了真正的统一端到端解决方案，这可使多个任务受益。

Jun, 2021

本文研究如何应用基于图的语义解析器直接从文本预测情感图来完成结构化情感分析的任务，取得了在 5 个标准基准测试集中 4 个的最先进结果，并公开了源代码、模型和预测结果。

Mar, 2022

这篇论文研究了在情感分析过程中使用序列标注句法解析器注入句法信息以提高速度和准确性的方法，通过对三元极性分类任务进行训练和评估，展示了该方法相较于传统的句法解析器和基于浅层句法规则的启发式方法在极性预测任务中更快且更准确的表现，特别适用于在研究和工业领域中进行情感分析的实践者。此外，还比较了在极性预测任务中使用几种情感词典在序列标注句法解析器上的表现，结果显示对于捕捉极性判断变化的词典比忽略极性判断变化的词典效果更好，而且与基于 Transformer 模型的五类别分类任务相比，序列标注句法解析器在极性预测任务中表现更快。

Jun, 2024

我们引入了一种创新模型：句法依赖增强的多任务交互架构 (SDEMTIA)，用于全面的基于方面的情感分析 (ABSA)。我们的方法创新地利用了句法知识 (依赖关系和类型)，并使用专门的句法依赖嵌入交互网络 (SDEIN)。我们还在多任务学习框架内结合了一种新颖高效的信息传递机制，以增强学习效果。我们在基准数据集上的广泛实验证明了我们模型的优越性，明显超越了现有方法。此外，引入 BERT 作为辅助特征提取器进一步提高了我们模型的性能。

Nov, 2023

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