本研究提出了一种可解释的情感分类框架，通过在双向长短期记忆（BiLSTM）和卷积神经网络（CNN）-BiLSTM 模型上引入噪声层，克服了过拟合问题，实验证明添加噪声层可以提高阿拉伯语情感分析的性能。
Sep, 2023
社交媒体的快速发展使得我们能够分析用户意见。尽管常用语言的情感分析已经取得了显著的进展，但由于资源限制，低资源语言像阿拉伯语等仍然很少有研究。本研究探讨了 SemEval-17 和阿拉伯语情感推文数据集上的推文文本的情感分析，并研究了四种预训练语言模型以及提出了两种集成语言模型。我们的发现包括单语言模型表现出更好的性能，集成模型优于基线，而多数投票集成模型胜过英语。
Mar, 2024
本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。
Jul, 2022
我们引入和实现了一个基于混合深度学习的模型，用于对 Digikala Online 零售网站的客户评论数据进行情感分析，采用了多种深度学习网络和正则化技术作为分类器。最终，我们的混合方法在三个情感类别（积极，消极，中立）上实现了出色的性能，F1 分数达到了 78.3。
本文主要研究了基于深度学习与多模态语料库的阿拉伯情感分析的数据集，通过使用最先进的 transformers 和特征提取工具来建立我们的阿拉伯多模态数据集，并使用 state-of-the-art 的 transformer-based model 验证我们的数据集，研究表明阿拉伯多模态情感分析非常有前途。
Jun, 2023
本文提出了一种使用加权胶囊网络方法的新的波斯语 / 阿拉伯语多领域情感分析方法，该方法使用域归属度和 TF-IDF 等方式训练每个领域的分类器，并使用加权胶囊网络集成各个领域的分类结果，与现有方法相比取得了可接受的准确性。
本文目的在于通过情感分析依据机器学习模型对 YouTube 摩洛哥方言评论进行分类研究，在采用多种文本预处理和数据表现技术的前提下，证明深度学习模型胜于传统模型，我们达到了 90% 的准确性。
Mar, 2023
提出了两个新的公开数据集，SudSenti2 和 SudSenti3，介绍了一个包含五个 CNN 层和一个新颖的池化层 MMA 的 CNN 架构 SCM，将 SCM+MMA 模型应用于这两个数据集并得出 92.75% 和 84.39% 的准确率，最后将该模型应用于现有的沙特情感数据集和 MSA 酒店阿拉伯评论数据集，准确率分别为 85.55% 和 90.01%。
Jan, 2022
本文提出了一种简单易用的多语言情感分析框架，旨在作为情感分析测试基线和构建新情感分析系统的起点。该框架经过在 8 种不同语言的比较中，在其中三种语言的国际竞赛中名列前茅，在其他语言中也超越了报告的结果。
Dec, 2016
通过对已发表的 133 篇英文 ASA 论文的深入研究和 2297 篇 ASA 出版物的广泛研究，本文揭示了 ASA 的常见主题、应用领域、方法、技术和算法，并强调了 ASA 所面临的挑战和未来发展方向。