针对多方面情感分析问题，本研究提出了一种名为 ATESA-BÆRT 的异构集成学习模型，通过将问题划分为两个子任务（Aspect Term Extraction 和 Aspect Term Sentiment Analysis）并在每个子任务上使用六个基于 transformer 的学习器，使用 argmax 多类别分类方法，解决了多方面问题并且在实验中表现优于当前最先进解决方案。

Jul, 2023

该研究将金融情感分析（FSA）扩展到事件级别，通过设计粗细分类的事件类别，将事件从金融文本中提取出来，并提出了一个涵盖（公司，行业，粗事件，细事件，情感）的事件级别金融情感分析（EFSA）任务，在一个大规模的中文数据集上得到了与现有方法相媲美的结果。

Apr, 2024

本文提出了 DANES，一种适用于社交和文本上下文感知的假新闻检测深度神经网络集成架构。通过使用文本分支和社交分支创建新的网络嵌入，初步消融结果表明，当使用社交和文本内容特征时，精度优于现有技术方案。

Feb, 2023

本篇研究探讨了实体级情感分析（Entity-Level Sentiment Analysis，ELSA）这一任务，通过对多个领域的专业评论进行深入研究，发现其中所包含的情感涉及的实体与情感之间存在着特定关系，并提供了一系列实验以证明文档级、句子级和目标级情感分析对于 ELSA 的贡献，并探讨了它们的缺点。同时，还对该领域的先前相关研究进行了综述。

Apr, 2023

社交媒体为时事趋势和事件提供了便捷获取信息的平台，我们通过开发一个提取和分析社交媒体帖子中流行病相关事件的框架，利用事件检测技术实现更好的灾害预防和预警，为新兴流行病的应对提供了基础。

Apr, 2024

通过使用支持向量机（SVM）和简单数据增强（EDA）进行情感分析的评论过滤，以解决 Instagram 中青少年印尼人群 50% 遭受的网络欺凌问题，测试结果显示 SVM 与 EDA 相结合可使 k-Fold 交叉验证得分提高 2.52%，我们的方法准确率为 92.5%，比现有的最先进方法提高了 2.5%。

Nov, 2023

利用 transformers-based solutions 在 RuSentNE-23 评估数据上实现了实体级情感分析，并通过使用新技术和多个模型的 ensemble 方法达到最佳结果。

Aug, 2023

EDM3 是一种基于生成任务模型的事件检测方法，通过利用语言模型的现有知识，实现了针对任何分类模式的训练；该算法在多个事件检测数据集上验证表现优异，在多任务性能方面更是领先 8.4%。

May, 2023

本文介绍我们在 WASSA 2022 共享任务中使用 ELECTRA 和 BERT 模型解决情感检测问题的贡献，通过对一篇文章进行分类，识别离散的情感，如悲伤、惊讶、中性、愤怒、恐惧、厌恶、快乐。我们的代码库和 WandB 项目公开可用，并取得了 F1 分数为 62.76％的成果。

Mar, 2022

社会媒体上识别公众舆论，尤其是关于气候行动和仇恨事件检测，已成为研究的一个关键领域。我们团队通过广泛测试各种模型和方法，发现我们最有效的结果是通过集成建模并结合后翻译等数据增强技术实现的。在此研究任务的具体组成部分中，我们团队在相应的子任务中分别排名第 5、第 1 和第 6，从而说明了我们在这一重要研究领域中的方法的有效性。

Feb, 2024