本研究提出了一种基于 BERT 和 Transfer Learning 的新型方案，以捕获社交媒体内容中的仇恨语境，并证明该方案能有效解决标注数据不足和存在偏差的问题，使得模型性能得到提升。

Oct, 2019

本研究提出使用 BERT 模型从文本（即评论）中提取词嵌入来改进现有的虚假评论分类或检测方法，结果表明 SVM 分类器在准确度和 F1 得分方面优于其他分类器，并且比之前的研究中使用的分类器高出 7.6％。

Jan, 2023

使用在大规模的 Twitter 语料库上预训练并在我们任务上进行微调的基于注意力机制的 BERT 架构，有效地进行对社交媒体对话中的个人攻击和逻辑偏离行为的预测，此模型相较于我们作为基准所使用的 LSTM 模型表现出明显的优势。此外，通过综合过采样技术，可在相对较小的新颖数据集上进行微调，并减轻过度拟合问题。通过引入基于 Transformer 的模型，使该研究为预测 Twitter 上对话事件的实用工具奠定基础，以鼓励更好地互动在最普遍的社交媒体平台之一。

Nov, 2023

采用 BERT 表示法，利用混合增强的深度学习算法对印度尼西亚情感分析进行了研究，并展示 BERT 表示法可以提高所有混合架构的准确性。在 BERT 基础上的 LSTM-CNN 准确性略高于其他 BERT 基础混合架构。

Nov, 2022

本研究论文探讨了深度学习技术（尤其是 BERT 模型）在情感分析中的应用，介绍了情感分析的基本概念和深度学习方法的应用。通过详细的解释，阐明了 BERT 模型在情感分析中的应用效果和优化策略，并通过实验证实了这一点。实验结果表明 BERT 模型在情感分析任务中表现出强大的性能，经过微调后得到了显著的提升。最后，该论文总结了 BERT 模型在情感分析中的潜在应用和未来研究方向，以及实际实施的建议。

Mar, 2024

使用 BERT 模型对 SemEval2017 中 Twitter 上的英语情感分析任务 4A 进行解决，在训练数据量较小的分类任务中，BERT 是一个非常强大的大型语言模型。使用此模型进行实验时，我们使用了包含 12 个隐藏层的 BERT BASE 模型，该模型在准确性、精确率、召回率和 F1 分数上优于朴素贝叶斯基线模型，在二分类子任务中表现更好，我们还在实验过程中考虑了所有种类的伦理问题，因为 Twitter 数据包含个人和敏感信息。我们在此 GitHub 存储库中提供了实验中使用的数据集和代码。

Jan, 2024

本文探讨利用 BERT 和 Deep CNN 模型通过社交媒体研究社会对 COVID-19 大流行的感知，证明了 BERT 模型在情感分析中的卓越性能。

Nov, 2022

使用 CamemBERT 实现对健康和健身领域的三个应用程序的 6000 条用户评论的自动分析，创造了一个多标签分类数据集。结果鼓舞人心，表明可以自动识别关于新功能请求的评论。

Jun, 2022

社交媒体平台时代，识别在线内容的可信度对于打击错误信息至关重要。我们提出了 CREDiBERT（使用双向编码器从转换器进行可信度评估），这是一个针对 Reddit 提交的可信度评估模型，重点关注政治话语。我们采用半监督训练方法，利用 Reddit 的基于社区的结构来进行 CREDiBERT 的训练，通过将 CREDiBERT 编码的提交内容与 Siamese 神经网络结合，显著提高了提交可信度的二分类，相较于现有方法，F1 分数提高了 9%。此外，我们介绍了 Reddit 中新版本的帖子间网络，通过有效编码用户交互来提升二分类任务的 F1 分数近 8%。最后，我们使用 CREDiBERT 评估了不同主题下的子论坛对不同主题的易感性。

Feb, 2024

本文提出了一种基于对抗训练和全词掩膜 BERT 的汽车评论情感分析模型，旨在克服汽车领域文本的词汇专业性和噪声问题，提高情感分析模型的准确性。

Jun, 2022