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

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

本文研究使用基于解码器的生成式 Transformer 来提取对俄罗斯新闻文章中的命名实体的情感分析能力，通过对 RuSentNE-2023 数据集进行实验，发现在无监督和有监督转换器中，零 - shot 方法的结果与以 BERT-base 为基线的有监督转换器相似，而经过 THoR 理论的 Fine-tuned Flan-T5 模型在推理能力上实现了至少 5% 的增长，并以 Fine-tuned Flan-T5-xl 取得了在 RuSentNE-2023 情感分析中超过先前基于 Transformer 的分类器的最佳结果。

Apr, 2024

利用 transformers-based solutions 在 RuSentNE-23 评估数据上实现了实体级情感分析，并通过使用新技术和多个模型的 ensemble 方法达到最佳结果。

Aug, 2023

我们介绍了一个名为 FinEntity 的实体级情感分类数据集，用于金融领域中指向特定金融实体的情感分析。我们在论文中记录了数据集构建过程，并在几个预训练模型（BERT、FinBERT 等）和 ChatGPT 上进行了实体级情感分类的基准测试。我们通过一个案例研究展示了使用 FinEntity 在监测加密货币市场中的实际应用价值。FinEntity 的数据和代码可在 https://github.com/yixuantt/FinEntity 获取。

Oct, 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

使用大型语言模型 ChatGPT 3.5 进行金融情感分析，特别关注外汇市场，通过零样本提示方法的探究，比起金融文本情感分析模型 FinBERT，ChatGPT 表现出了大约 35% 的情感分类性能提升以及 36% 更高的与市场回报的相关性，强调了提示工程在零样本上下文中的重要性，突显了 ChatGPT 在金融应用中显著提升情感分析的潜力，并分享所使用的数据集以促进该领域的进一步研究与发展。

Aug, 2023

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

本文提出了一种基于 DistilBERT 模型完全的方法和一种卷积神经网络的方法，通过分析英语电话交谈转录本来进行实体级情感分析，以期提供商业见解。

Oct, 2022

该研究介绍了如何使用自然语言处理技术对不同领域的文本进行情感分析，特别是针对语言混合推文的预处理以及 Bidirectional Encoder Representation from Transformers（BERT）的调优的方法，并在 SemEval-2020 的竞赛中取得了很好的成绩。

Dec, 2020