本研究提出了一种基于 hard-selection 的方法，利用预训练的 BERT 模型学习句子和方面之间的关联，通过自我评估强化学习检测看法片段，从而针对多方面句子进行情感分析，在处理准确性上表现优于软选择方法。

Sep, 2019

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

提出了一种新颖的 LSTM 变体，称为 aspect-aware LSTM（AA-LSTM），将方面信息包含在上下文建模阶段的 LSTM 单元中，以生成动态的方面感知上下文表示，实验结果表明 AA-LSTM 的有效性。

May, 2019

本文提出了一种基于图的深度学习模型，该模型使用门向量从方面词的表征向量生成来定制基于图的模型的隐藏向量，并在模型中注入从依赖树中获取的每个单词的重要性得分，从而改善方面级情感分析的表征向量，实现了三个基准数据集上的最新成果。

Oct, 2020

本文提出了一种基于神经网络的新方法 ——Aspect Fusion LSTM (AF-LSTM)，它通过建模词汇与方面之间的关系，将方面信息整合到神经模型中，并采用循环卷积和循环相关来模拟方面与词汇之间的相似度，并将其融入可微的神经注意力框架中，从而实现对特定方面的分析，达到 4% 至 5% 左右的性能提升。

Dec, 2017

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

本文研究了利用卷积神经网络和门机制的模型，提高方面基情感分析的准确性和效率。该模型的提出主要在于采用了 Gated Tanh-ReLU Units 来根据给定的方面或实体选择性地输出情感特征。实验结果显示其在 SemEval 数据集上的性能优越。

May, 2018

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

本文介绍了一种可扩展到任何 ABSA 子任务的生成框架 PFInstruct，通过在任务描述中添加 NLP 相关任务前缀，相较于基准模型，在所测试的所有 SemEval 子任务中取得了更好的性能，并在 Rest14（ATE 子任务）上以 + 3.28 的 F1 分数和在 AOOE 子任务上平均 + 5.43 的 F1 分数超越了之前的最新结果，并且我们发现，即使存在噪声，前缀增强的提示质量也可以提高模型性能。同时，我们的方法在生物医学领域数据集（ERSA）上也取得了有竞争力的结果。

May, 2024

本文通过整合 DeBERTa 模型和 Local Context Focus 机制提出了一个多任务学习模型，来解决基于方面的情感分析问题，在 SemEval-2014 以及 ACL Twitter 数据集上取得了显著的进步。

Jul, 2022