该文综述了情感分析在文学中的应用，包括追踪情节发展的变化、网络分析，以及理解文本的情感等。

Aug, 2018

通过构建基于词汇谓词函数和谓词参数的情感模型，该文章使用第一人称日记作为研究主体，提高了对日常事件第一人称情感反应的预测准确率。

Aug, 2017

本文介绍了一种使用情感驱动的文本生成模型，其能够有效地生成带有情感色彩的、主题集中的且语法正确的句子，并集成了 GPT-2 等概率文本生成模型。该模型考虑了情感类别、强度和主题的灵活性，并在自动化评估和人类研究中优于其他情感文本生成模型。

Nov, 2020

本文研究了使用大规模语言模型所获得的单词嵌入中是否编码了某些情感信息。研究发现，只有在情感相关任务上微调 BERT 模型，或在情感丰富的上下文中包含额外的上下文信息时，相应的词嵌入才能编码更相关的情感信息。

Sep, 2022

本文提出了一种基于 LSTM 模型的扩展 Affect-LM，用于在生成对话文本时增加情感内容的控制因素，研究表明，通过 Affect-LM 生成的自然语言句子不会破坏语法正确性。Affect-LM 学习到了区分情感的单词表达方式，迷惑度实验表明在对话文本中增加情感信息可以提高语言模型的预测效果。

Apr, 2017

通过使用上下文化单词嵌入，我们可以捕捉人物形象中的情感维度，并比较男女形象的差异。虽然这些单词嵌入编码了有意义的情感信息，但受其训练数据的影响严重限制了它们的实用性。

Jun, 2019

通过引入情感方面的三种新方法，可以改善神经会话模型的自然语言处理能力，实现更加丰富、有趣和自然的情感化响应。

Sep, 2017

本文提出了一个名为 REDAffectiveLM 的深度学习模型的新颖方法，以从短文档中检测读者的情感，通过使用基于 transformer 预训练语言模型的上下文特定表示和情感丰富的表示形式，以及双向 LSTM + 注意。在三个数据集上进行了实证评估，相对于基线模型，我们的模型表现持续超过，可以显着提高读者情感检测的性能。

Jan, 2023

本论文提出一种计算共创环境下生成图像的新方法，利用经过心理学验证的三元素方法来量化所需影响， 通过训练神经网络以实现对文本和图像情感内容的估计，从而可对各种生成模型进行控制和影响。

Feb, 2023

提出了一种名为 Aff2Vec 的模型，利用词嵌入技术实现情感语言的表示，并在同义词和情感词汇方面取得了更好的结果，其在情感分析、人格检测和挫败预测等自然语言理解任务中优于基线模型。

May, 2018