本文使用卷积神经网络并采用单词嵌入技术，通过对 Yelp 2017 挑战数据集业务评论进行多次实验处理，取得了与传统方法相当的分类效果。

Oct, 2017

本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

Jun, 2017

本研究使用长短期记忆网络 (LSTM) 模型，在新浪微博的社交媒体评论中实现了对中国情感的分析，达到了约 92％的准确率，利用自然语言处理（NLP）和公众舆论监督相结合，对于监督公众情绪和趋势至关重要，可用于识别和解决社会问题。

Oct, 2022

本文提出了一种基于深度卷积神经网络的视觉情感概念分类方法，其中视觉情感概念是从网络照片的标签中自动发现的形容词名词对。通过 nearly one million Flickr images 数据集的训练，该深度 CNN 模型 SentiBank 2.0 显著提高了注释准确性和检索性能。

Oct, 2014

使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。

Apr, 2017

本文介绍了如何在中文情感分类中使用单词嵌入作为特征，并建立了一个包含一百万个评论的中文意见语料库。通过使用不同的机器学习方法，包括支持向量机 (SVM)，逻辑回归 (Logistic Regression)，卷积神经网络 (CNN) 和集成方法，这些方法相对于使用朴素贝叶斯 (NB) 和最大熵 (ME) 的 n-gram 模型获得了更好的性能。最后，提出了一种组合机器学习方法，并在语料库上进行测试，最终的 F1 分数为 0.920。

Nov, 2015

本文描述了我们在 SemEval-2016 任务 4 中基于深度学习的处理 Twitter 的情感分析方法。我们使用卷积神经网络来确定情感，并参加所有子任务，即二点、三点、五点刻度情感分类和二点、五点刻度情感量化。我们在二点刻度情感分类和量化方面取得了有竞争力的成绩，排名第五和第四（根据另一种度量方法排名第三和第二），尽管仅使用不包含情感信息的预训练嵌入。我们在三点刻度情感分类方面表现良好，在 35 个队伍中排名第八，但在五点刻度情感分类和量化方面表现不佳。错误分析表明，这是由于模型无法捕捉负面情感并且无法考虑序数信息的表现力不足。我们提出了一些改进措施来解决这些和其他问题。

Sep, 2016

本篇论文使用卷积神经网络进行视觉内容的情感分析，对于利用大规模训练数据解决如此具有挑战性的图像情感分析问题提出了渐进式微调网络的策略，通过将人工标注的 Twitter 图像进行领域转移，提高了推特图像的性能，综合实验结果表明，所提出的 CNN 算法在图像情感分析中具有比竞争算法更好的性能。

Sep, 2015

该研究使用神经网络的新组合评估基于人群金融背景的情感分析预测股市，利用 BERT 对情感进行分类，利用 LSTM 进行基于时间序列的股市预测，并利用微博作为情感数据收集源来评估结果，指出从持牌金融顾问组学习到的股市预测比未经授权的金融顾问组学习到的预测结果精确度高出 39.67％，并且相较于现有方法，该方法的准确度最高（87％）。

Feb, 2024

本研究探讨了如何利用卷积神经网络 (CNNs) 在社交媒体图片数据中进行视觉情感分析，通过微调实验和架构分析，本文提出了几种架构修改方法，使得模型对于图片情感的准确预测性能得到提升，并通过对模型的本地模式展示提供关于模型对于视觉正负情绪感知的见解。

Apr, 2016