该研究提供了一个句子级情感数据集，覆盖了克罗地亚新闻领域，在已有的 3000 个注释文本的基础上，增加了 14500 个带有 5 个类别标签的注释句子出现。研究者在注释过程中提供了基线分数和标注者间的一致性分析。

May, 2023

介绍 NoReC_fine 数据集，用于对来自多个门类、包括文学、游戏、音乐、产品、电影等专业评论的文本进行精细情感分析，同时注释了极性表达、情感对象和持有者。 详细描述注释过程和开发的标注指南，提供了互注者一致性分析、实验结果，并且打算作为进一步实验的初步基准。

Nov, 2019

该论文介绍了阿尔巴尼亚语情感分析语料库 AlbMoRe，其中包含 800 个被标记为正面或负面的电影评论文本，并报告了使用这些样本训练的传统机器学习分类器的初步结果，可作为未来研究实验的比较基线。

Jun, 2023

本研究使用零样本和小样本学习进行跨语言情感分析。采用三种语言的 BERT-based 模型进行语种间的情感分类，提出了一种简单多任务模型。通过单任务和多任务实验的零样本和小样本场景对克罗地亚言和斯洛文尼亚情感分析进行评估。

Dec, 2022

本文提供了一个克罗地亚语语料库，在 SETimes 新闻语料库中进行引语，指代关系解决和情感注释的注释，并分析了与英语的语言特定差异。生成的带引文特征注释的语料库可用于自然语言处理领域的多个任务。

Dec, 2022

考察了东南欧三个国家国会辩论中发言情感色彩的分类方法和效果，通过样本数据得出了最优分类模型。

Jun, 2022

PerSenT 数据集包括了新闻文章中主要实体的情感分析，并提供了段落级别的情感注释以提供更精细的监督。该数据集的基准测试表明，这是一项困难的分类任务。该论文指出，使用 BERT 对文档级表示进行微调是不足够的，并且对整个文档进行段落级别的决策和聚合也是无效的。该数据集包含 5.3k 个文档和 38k 个段落，涵盖 3.2k 个独特的实体，是实体情感分析中的一个挑战。

Nov, 2020

该研究介绍了 KazSAnDRA 数据集，这是首个也是最大的公开可用的哈萨克情感分析数据集，由 180,064 份来自不同来源的评论组成，包括从 1 到 5 的数值评分，提供了客户态度的定量表示。该研究还通过开发和评估四个机器学习模型，旨在实现哈萨克情感分类的自动化，包括极性分类和评分分类的培训。实验分析考虑了平衡和不平衡的情况。最成功的模型在测试集上实现了 0.81 的极性分类 F1 得分和 0.39 的评分分类得分。该数据集和优化模型以知识共享署名 4.0 国际许可（CC BY 4.0）的形式开放获取，并可通过我们的 GitHub 存储库进行下载。

Mar, 2024

本文探讨了在新闻标题中进行细粒度金融情感分析的任务和挑战，提出 SAEntFiN 1.0 数据集，并使用特征为基础的方法提取实体相关情感。使用 12 种不同的学习方案验证实验结果，RoBERTa 和 finBERT 的平均准确率和 F1 分数最高，同时使用 210,000 多个实体情感预测验证了情感对市场的影响。

May, 2023

本文介绍了针对 POM 电影评论数据集的一组观点注释，包括两个粒度级别的粗略层面和细粒度层面，并提出了一些具有特定类别的注释以便于电影评论的观点注释。我们还提供了一个可以预测意见（例如极性和方面）不同组成部分的分层观点预测框架，并提供了第一组可用于细粒度多模态观点预测任务的地面事实注释。此外，我们进行了一项相关数据采集的研究，并在不同层面的粒度下报告了标注者间的一致性。最后，我们提供了一个基准系统和注释数据以供公开使用。

Feb, 2019