基于Emoji的细粒度注意力网络用于微博评论情感分析
本文提出一种将词嵌入、词表嵌入和注意力机制集成到卷积神经网络中进行情感分析的新方法，该方法在 SemEval'16 任务 4 数据集和 Stanford 情感树库上得到了比现有最先进系统更好的结果。
Oct, 2016
本篇研究旨在通过 EmojiNet 知识库中的可机器读取 Emoji 意义，通过不同的训练语料库，利用 Emoji 描述、 Emoji 感觉标签和 Emoji 感觉定义等信息开发和测试多种嵌入模型来衡量 Emoji 相似度，并开发了名为 EmoSim508 的新数据集来评估他们的工作。经测试，作者的嵌入模型在情感分析任务中表现出色，并发布数据集和嵌入模型供公共下载。
Jul, 2017
本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法，通过扩展对更多嘈杂标签的监督，模型可以学习更丰富的表示，同时从一个包含64个常见表情的数据集中进行表情预测，使用单个预训练模型在8个基准数据集中取得了最先进的性能，并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。
Aug, 2017
本文提出利用大规模无监督语言建模与微调相结合的方法来解决情感多维度分类问题，并在 SemEval2018 Task 1:E-c 上获得竞争力和实际应用价值，成果表明这种方法可以用于真实情感分类任务。
Dec, 2018
本文研究社交媒体中emoji图标的情感分类问题，并探讨了不同的多模态官能（文本、emoji和图片）在此问题中的作用，结果表明三种官能可互补，最高准确度达到71.98％。
Mar, 2019
本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法，在Twitter数据集上使用表情符号来训练深度神经模型，有效地解决了对象分类模型在情感分析中的限制，其结果在公共情感分析基准测试中表现出优秀的性能。同时，研究者还基于表情符号的视觉情感反应提出了一种新的表情符号表示方法，加深了对表情符号模态的理解。
Jul, 2019
该研究提出了一种基于句法的图卷积网络模型来增强对汉语微博各种语法结构的理解，同时提出了一种基于百分位数的汇聚方法，可将模型的准确性提高到82.32％，超过现有算法5.90％，在汉语情感分类方面取得了很好的成绩，并为汉语情感分类注释了一个新的数据集。
Dec, 2019
本文提出了基于Transformer网络的多类和多标签表情符号预测模型，并使用启发式方法从Twitter构建了多个表情符号预测数据集。实验结果表明，相对先前的最新技术，我们的BERT模型在所有数据集和所有设置下都取得了最先进的性能，其中精度提高了27.21％到236.36％，前5个精度提高了2.01％到88.28％，F-1分数提高了65.19％到346.79％。
Jul, 2020