社交媒体的快速发展使得我们能够分析用户意见。尽管常用语言的情感分析已经取得了显著的进展，但由于资源限制，低资源语言像阿拉伯语等仍然很少有研究。本研究探讨了 SemEval-17 和阿拉伯语情感推文数据集上的推文文本的情感分析，并研究了四种预训练语言模型以及提出了两种集成语言模型。我们的发现包括单语言模型表现出更好的性能，集成模型优于基线，而多数投票集成模型胜过英语。

Mar, 2024

本文探讨了在社交媒体上使用突尼斯方言进行情感分析的挑战和方法，重点介绍了使用无监督学习下的自然语言处理和深度神经网络技术，在不使用手工特征的情况下，成功实现了与其他语言情感分析的相当水平。

Oct, 2020

研究 Arabic 情感分析，提出了一种基于机器学习的方法和特征向量，使用人工神经网络分类器，在单词级别和文档级别进行情感分析，在单词级别获得的平均 F1-score 为 0.92，在文档级别的正类为 0.94，负类为 0.93。

May, 2022

本文主要研究了基于深度学习与多模态语料库的阿拉伯情感分析的数据集，通过使用最先进的 transformers 和特征提取工具来建立我们的阿拉伯多模态数据集，并使用 state-of-the-art 的 transformer-based model 验证我们的数据集，研究表明阿拉伯多模态情感分析非常有前途。

Jun, 2023

提出利用内容本土化的基于神经机器翻译的方法，为低资源阿拉伯方言（如黎凡特语和海湾语）开发情感和仇恨分类器，并通过无监督学习推断隐藏主题，从而在其本土语言 / 方言中提供连贯的解释，从而实现准确区分情感并识别仇恨内容的有效性。

Nov, 2023

本研究旨在改进方言阿拉伯语写作的在线用户生成文本的机器翻译，在 DA-EN UGT 领域使用一种半监督语言模型，结合监督和非监督建模目标，测量了推荐系统的情感翻译准确性，结果显示半监督 MT 系统有效改善了方言阿拉伯语 UGT 的情感翻译错误。

Oct, 2022

我们引入和实现了一个基于混合深度学习的模型，用于对 Digikala Online 零售网站的客户评论数据进行情感分析，采用了多种深度学习网络和正则化技术作为分类器。最终，我们的混合方法在三个情感类别（积极，消极，中立）上实现了出色的性能，F1 分数达到了 78.3。

Mar, 2024

本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。

Jul, 2022

本研究提出了一种可解释的情感分类框架，通过在双向长短期记忆（BiLSTM）和卷积神经网络（CNN）-BiLSTM 模型上引入噪声层，克服了过拟合问题，实验证明添加噪声层可以提高阿拉伯语情感分析的性能。

Sep, 2023

本文探讨了将 CNNs 和 LSTMs 相结合的好处，并在不同数据集上对阿拉伯语情感分析的准确性进行了改进，同时考虑了特定阿拉伯语单词的形态多样性。

Jul, 2018