该论文研究了将历史评论文本和用户 / 产品信息纳入情感分析模型，通过强制模型记住有关特定用户和产品的所有评论，通过舍弃分层的架构来使文本中的单词直接彼此关注。在 IMDB、Yelp2013 和 Yelp2014 数据集上的实验结果表明，该方法在某些情况下可以实现超过 2％的现有最佳结果的提升。

Nov, 2020

本研究使用 Yelp 开放数据集中的元特征和文本预测餐厅评论的情感，并通过多个定性实验表明具有注意机制的深度模型成功学习到不同餐厅评论的平衡模型。最后，我们提出了一种新颖的多任务联合 BERT 模型，提高了整体分类性能。

Jan, 2022

我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

Jan, 2014

本研究提出了一种使用长短期记忆（LSTM）模型进行情感分析以及使用净品牌声誉（NBR）算法评估微服务声誉分数的方法，实验结果显示该方法在准确性上超过现有方法，通过应用过采样策略获得 93% 的准确率和精确度，并得出所考虑的微服务社区的声誉分数为 89%。

Aug, 2023

本文报告了一项旨在评估文本特征对荷兰语小说文学评分影响的试验结果，表明问卷评分与 Riddle 的调查评分之间存在中度到强度的相关性，但机器学习的预测结果更接近调查评分。

Nov, 2020

本文提出情感分析模型应该能预测人的其他心理状态，通过研究情感分析模型与情绪状态之间的关系并最终使用预训练模型来评估参与者的作品，得出情感分析模型能在预测分数方面表现良好，但是分数与人的自我检查情绪没有相关性。

Jun, 2018

通过机器学习和深度学习算法，使用情感分析明确揭示和解释应用市场评论的情绪，该研究通过探索性分析对应用程序评论进行情感分类，并确定大学生对应用市场的行为。

Dec, 2023

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

该研究提出了三种不同的因果提示，研究了情感分类数据的不同性质在模型响应中引发的协议的一致性或多样性，并建议未来的研究提高对 NLP 任务中不同因果结构的认识。

May, 2023

情感分析将情感表达在文本中进行识别，本文将情感分析分解为两个任务：区分评论是否 “引导” 情感或情感是否 “引导” 评论的因果假设，以及使用评论预测情感的传统任务。利用心理学中的峰 - 尾规则，我们通过计算整体情感得分来将样本分类为两种因果假设。对于预测任务，我们根据样本中发现的因果机制提出因果提示，以改进 LLMs 性能，从而在零样本五分类情感分析中实现了高达 32.13 F1 分的显著提升。

Apr, 2024