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

本文提出了一种训练方案，可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示，通过实验表明，该方法能够实现所需的互操作性，而不降低预测准确率。

Dec, 2020

基于指令数据微调各种 LLMs 的 EmoLLMs 系列兼具情感分类和回归任务的综合情感分析模型，在各类任务中超越了现有的 LLMs、ChatGPT 和 GPT-4，具有与 ChatGPT 和 GPT-4 相当的情感分析自动化标注工具的广泛应用能力。

Jan, 2024

我们参与了 Explainability of Cross-lingual Emotion Detection（EXALT）共享任务，在情感检测子任务的评估集上实现了 0.6046 的 F1 分数，超过基准模型 0.16 个 F1 分数，并在竞争系统中排名第二。我们通过使用 Fine-tuning、Zero-shot learning 和 Few-shot learning 方法在基于 Large Language Model（LLM）和非 LLM 的技术中，包括嵌入式的 BiLSTM 和 KNN 进行实验。此外，我们引入了两种新方法：多次迭代代理工作流和多二元分类器代理工作流。我们发现 LLM 方法对多语言情感检测提供了良好的性能。此外，将所有实验模型组合起来的集成模型比任何单一方法都有更高的 F1 分数。

May, 2024

本研究探索大型语言模型 (LLMs) 在对话中识别人类情感方面的能力，重点关注开放领域闲聊对话和任务导向对话，并通过评估和比较 LLMs 在情感识别方面的性能，利用 IEMOCAP、EmoWOZ 和 DAIC-WOZ 三个不同数据集进行研究，从非零样本和少样本学习以及任务特定微调的角度探索 LLMs 的模型容量，并考虑了自动语音识别 (ASR) 错误对 LLM 预测的潜在影响。通过本研究，我们旨在阐明 LLMs 在对话中能够模拟人类情感识别能力的程度。

Sep, 2023

研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

Feb, 2023

使用深度学习技术和 BERT 文本嵌入方法，对来自资源匮乏语言的有限文本数据集进行情感识别的研究，通过介绍 SmallEnglishEmotions 数据集验证了这些方法在准确分类数据集中的优越性。

Feb, 2024

论文研究了多标签情感识别模型中的标签相关性，并提出了两种建模方法和通过情感表示的成对约束作为正则化项，证明该方法在多种语言环境下具有最先进的性能和更好的稳健性。

Oct, 2022

ISDS-NLP 团队在 SemEval 2024 任务 10 中提出了 EDiReF 方法，采用了掩码语言模型和因果语言模型两种不同的方法，研究了多语种设置下对情感进行预测的效果，并发现掩码语言模型在句子级情感分类方面的性能优于 Mistral 模型。

May, 2024

本文研究社交媒体中 emoji 图标的情感分类问题，并探讨了不同的多模态官能（文本、emoji 和图片）在此问题中的作用，结果表明三种官能可互补，最高准确度达到 71.98％。

Mar, 2019