本文提出了一种新的统一框架，将结构化情感分析问题作为依存关系图解析，其中节点是情感持有者、目标和表达式，弧是它们之间的关系。在四种语言的五个数据集上进行实验，结果显示这种方法比现有技术有更好的表现，并通过依存语法信息改进情感图产生了更好的结果。

May, 2021

本文提出了一种基于 BART 编码器 - 解码器结构统一生成的结构化情感分析方法，该方法可以在单语和跨语言子任务上实现竞争性情感 F1 得分表现。

May, 2022

这篇论文研究了在情感分析过程中使用序列标注句法解析器注入句法信息以提高速度和准确性的方法，通过对三元极性分类任务进行训练和评估，展示了该方法相较于传统的句法解析器和基于浅层句法规则的启发式方法在极性预测任务中更快且更准确的表现，特别适用于在研究和工业领域中进行情感分析的实践者。此外，还比较了在极性预测任务中使用几种情感词典在序列标注句法解析器上的表现，结果显示对于捕捉极性判断变化的词典比忽略极性判断变化的词典效果更好，而且与基于 Transformer 模型的五类别分类任务相比，序列标注句法解析器在极性预测任务中表现更快。

Jun, 2024

本文研究如何应用基于图的语义解析器直接从文本预测情感图来完成结构化情感分析的任务，取得了在 5 个标准基准测试集中 4 个的最先进结果，并公开了源代码、模型和预测结果。

Mar, 2022

通过使用 pointer networks 实现的转移句法分析器在依赖句法分析方面已经成为最新的技术水平，我们提出了一种基于指针网络的转移系统，可以直接生成标记有方向无环图并实现语义依赖分析。同时，我们使用从 BERT 提取的深层上下文化的词嵌入来增强我们的方法。这一结果不仅超越了所有现有的基于转移的模型，而且还匹配了 SemEval 2015 任务 18 英语数据集上先前最先进的基于图形的解析器的最佳完全监督准确率。

May, 2020

通过结构化感知机训练和使用大量自动解析的句子来学习神经网络表示，我们的解析器在 Penn Treebank 数据集上达到了 94.26％的未标记和 92.41％的标记附加精度，是迄今为止在 Stanford Dependencies 上最佳的精度，并提供深入的剖析分析以确定模型的哪些方面提供了最大的准确性增益。

Jun, 2015

本文提出了一个基于统计语法分析的句子级情感分类框架，在此我们发展了一个统计分析器来直接分析句子的情感结构，并在上下文自由语法的基础上形成情感规则。我们训练情感分析器 s.parser，从用户评级的大量评论句子中直接获得情感极性标签，利用情感树得到情感强度和情感极性的极性模型和最佳情感树的排名模型，结果表明该方法显著优于基准情感分类方法。

Jan, 2014

通过引入池化层，我们提出了一种稀疏模糊的注意力打分器，改善了结构化情感分析的解析性能，并在该领域取得了最新的最佳表现。此外，我们还探索了二阶解析建模，并引入了一种新的稀疏二阶边缘构建过程，这大大提高了解析性能。

Sep, 2021

本文提出了一种基于句法依存知识的交互式多任务学习模型，结合依存关系嵌入图卷积网络和简单有效的消息传递机制，以实现对情感分析的方面术语的提取和情感识别任务，并采用 BERT 作为附加特征提取器，实现了对现有最新技术方法更显著的效果提升。

Apr, 2020

本文提出了一种新颖的 Aspect-Guided Deep Transition 模型（AGDT），该模型通过专门设计的深层转换结构从头开始利用所给定的方面来指导句子编码，以重构给定的方面与生成的句子表示相结合的面向方面的目标，从而能够准确生成面向方面的句子表示形式，进而进行更准确的情感预测，并通过多个 SemEval 数据集的实验结果表明，我们提出的方法明显优于最佳报道结果。

Sep, 2019