这篇论文提出了一种新颖的动态多尺度上下文聚合网络（DMCA）来解决对话中的目标 - 方面 - 意见 - 情感的提取过程中遇到的挑战。实验结果表明，DMCA 模型明显优于基线模型，达到了最先进的性能。

Sep, 2023

我们提出了一种新的任务，称为实体 - 方面 - 意见 - 情感四元抽取（EASQE），旨在将方面术语层次化地分解为实体和方面，以避免在 ABSA 任务中的信息丢失，非独占性注释和意见误解。通过实验证明，我们的触发器 - 意见框架可以生成令人满意的 EASQE 结果，并且也可以应用于其他 ABSA 任务，显著优于现有的方法。

Nov, 2023

对话式基于方面的情感分析（DiaASQ）旨在从给定的对话中检测目标、方面、意见、情感极性四元组。本文引入了 Triple GNNs 网络来增强 DiaASQ，并通过使用 Graph Convolutional Network（GCN）对话模型和 Dual Graph Attention Network（DualGATs）构建对话之间的交互。实验结果表明，我们的模型明显优于最先进的基准模型。

Mar, 2024

本文提出了基于语义生成以及 ASQP 任务的方案，能够通过一个句子实现四个情感因素的预测，从而揭示一个更全面的方面级别情感结构。同时该方案可以以端到端的方式从生成的角度来解决 ASQP 任务，充分利用情感元素的语义信息，取得了很好的实验效果及其在其他任务上的良好通用性。

Oct, 2021

提出了一种新颖的 Aspect-based Sentiment Analysis 框架，采用多任务学习和双仿射评分器，同时提取方面术语和意见术语，并解析它们之间的情感依赖关系，实验结果表明，相对于现有技术，该方法在 SemEval 基准测试中取得了显著的改进。

Oct, 2020

通过构建两个大型的中文 aspect sentiment quad prediction（ASQP）数据集，我们评估了 GPT 系列模型在 ASQP 上的性能，并展示了潜在的问题，同时强调了需要探索额外技术以解决 ASQP 以及改善 GPT 性能的重要性。

Nov, 2023

本文提出了一种统一的一步解决方案 One-ASQP，用于检测方面类别并同时识别方面 - 意见 - 情感 (AOS) 三元组，旨在扩展 Aspect sentiment quad prediction (ASQP) 的能力，并公开了两个新的 ASQP 数据集，以解决现有基准和数据集规模较小的问题。

Jun, 2023

本文提出了一个新的 ABSA 子任务，名为 Aspect Sentiment Triplet Extraction (ASTE)，并提出了解决这个任务的两阶段框架，实验结果表明这个框架在这个新的三元组抽取任务上取得了优异的表现和基准性能。

Nov, 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

介绍了一种用于多语言情感分析的新型框架 CL-XABSA，它基于对比学习，包括 token level 对比学习和 sentiment level 对比学习，可以通过多语言数据训练，并使用知识蒸馏技术进一步提高模型性能。该方法在跨语言情感分析、知识蒸馏和多语言情感分析三个任务中均有一定的改进。

Apr, 2022