自然语言处理用于情感认知分析
借鉴情感和交流方面的认知科学研究，提出改进语言模型用于情感分析的方法，并探讨情感理论、自然语言处理中的情感标注方法及其与心理学理论的关联，以及认知语用学中的情感交流分析方法，最后提出了改进语言模型用于情感分析的方向。
Jun, 2024
情感分析涵盖了各种自然语言处理任务，其共同目标是使计算机能够理解情感。本文综合了 SEAT 和 CEAT 项目的研究结果，并指出了开放性研究问题。
Sep, 2023
预测文本中句子是否表达情感，表达方式，句子的复杂性以及情感类别，并通过使用数据集和模型，将情感的不同表达方式整合进自然语言处理中。
May, 2024
本篇论文提出利用基于 LSTM 的深度学习模型来检测文本对话中的情绪，讨论了利用语义和情感嵌入的半自动化技术来收集训练数据以及结合方案，该方法在真实场景下的表现优于传统机器学习基准线和其他现成的深度学习模型。
Jul, 2017
通过众包的方式，我们发布了一个数据集，包括了 5000 个英文新闻标题的情感、情感体验者和文本线索、相关情感原因和目标，以及读者对标题情感的感知；在此基础上，我们提出了一个多阶段的注释程序，开发了语义角色结构自动预测任务的基线，并讨论了结果，此数据集支持进一步情感分类、情感强度预测、情感原因检验和定性研究。
Dec, 2019
本文探讨了基于情感理论的评估维度对于模拟人类情感分析的重要性，并对比了不同基于事件的语料库的手工和自动标注策略，在此基础上提出了 RoBERTa 模型进行情感分析的改进方法。
Feb, 2021
通过深度记忆网络和卷积神经网络，我们将情感诱因提取作为阅读理解任务。性能评估结果表明，我们的方法在最新发布的情感诱因数据集上实现了最新技术表现，并且在 F-measure 上至少比多个基准线高 3.01%。
Aug, 2017
本研究提出一种使用读者眼动模式获取认知特征的方法，以增强情感分析和讽刺检测的性能，结果表明：使用这种增强型特征集合可以将极性检测的 F 分数最高提升 3.7％和 9.3％。
Jan, 2017
本文介绍了机器学习在情感分析领域的最新进展，并对情感分析的起源、任务、挑战、方法和资源使用以及应用进行了概述。此外，文中还讨论了情感分析存在潜在有害影响的问题，并介绍了追求情感分析公平性的最新研究方向。
May, 2020