本论文提出了一种整合了明确情感增强的 ABSA 方法，通过基于规则的数据对 T5 进行后训练，并采用句法距离加权和不合理对比正则化来生成明确情感，同时利用约束束搜索确保增强句子包含方面术语，在 ABSA 两个最流行的基准测试中，ABSA-ESA 在隐式和明确情绪准确性上优于 SOTA 基线。

Dec, 2023

本文提出将基于方面的情感分析任务转变为使用目标、方面和极性生成辅助语句的抽象摘要式生成任务，在餐厅领域和城市社区领域基准数据集上 fine-tune 了一个预训练模型，获得了最新的最优结果。

Oct, 2021

本文提出了一个统一的框架来解决基于方面的情感分析（ABSA）及其相关子任务，通过在多任务学习模式下使用 T5 模型，通过教学提示进行 fine-tuning，并在多个基准数据集上实现了表现提升（F1 绝对值增加了 6.75），特别是在少样本情况下。

Oct, 2022

该文系统地综述了目前各种基于方面的情感分析（ABSA）任务及其解决方案，包括情感元素、预训练语言模型等。该文提出了一个新的 ABSA 分类表，并强调了近年来对多元素 ABSA 任务研究的重要性。同时，该文总结了预训练语言模型在 ABSA 中的应用，介绍了跨领域 / 跨语言情况下构建更实用的 ABSA 系统的技术，并讨论了 ABSA 未来发展的方向与挑战。

Mar, 2022

本研究针对情感分析在实际应用中的可靠性进行了探究，通过加强当前最佳的句法感知模型，并基于丰富的伪数据进行敌对训练，进一步提高了模型的鲁棒性。实验结果表明，所提出的方法比现有的基线模型的鲁棒性性能更好，同时合成语料库作为额外数据能够进一步提高测试准确性。

Apr, 2023

本文提出了 SentiPrompt 框架，通过在联合框架中注入情感知识并构建一致性和极性判断模板，明确建模方面和观点术语之间的关系，使其优于三元组提取，一对提取和情感分类方面的强基线。

Sep, 2021

本文旨在通过将每个 ABSA 子任务目标重新定义为由指针索引和情感类别索引混合的序列，将 ABSA 的各个子任务转换为统一的生成式公式，并利用预训练序列到序列模型 BART 在端到端框架中解决所有 ABSA 子任务。实验结果表明，我们的框架在四个 ABSA 数据集上实现了实质性的性能收益，并为整个 ABSA 子任务提供了真正的统一端到端解决方案，这可使多个任务受益。

Jun, 2021

本文介绍了一种可扩展到任何 ABSA 子任务的生成框架 PFInstruct，通过在任务描述中添加 NLP 相关任务前缀，相较于基准模型，在所测试的所有 SemEval 子任务中取得了更好的性能，并在 Rest14（ATE 子任务）上以 + 3.28 的 F1 分数和在 AOOE 子任务上平均 + 5.43 的 F1 分数超越了之前的最新结果，并且我们发现，即使存在噪声，前缀增强的提示质量也可以提高模型性能。同时，我们的方法在生物医学领域数据集（ERSA）上也取得了有竞争力的结果。

May, 2024

本研究使用 BERT 模型，将 ABSA 转换为句对分类任务，取得了 SentiHood 和 SemEval-2014 Task 4 数据集的最新最佳结果，旨在识别特定方面的细粒度观点极性。

Mar, 2019

通过比较分析，本研究探讨了深度神经网络在基于方面的情感分析方面的应用，并发现 FAST LSA 在两个基准数据集（Restaurant14 和 Laptop-14）上取得了最佳结果，准确率分别为 87.6% 和 82.6%，但 LSA+DeBERTa 则报告了分别为 90.33% 和 86.21% 的准确率。

Jul, 2024