本研究通过使用 Spotify 音乐流媒体平台用户播放列表推导出的情绪和近一百万首歌曲的数据集，利用基于 transformers 的最先进的自然语言处理模型，研究了歌词和情绪之间的关联。研究表明，预训练的 transformer-based 语言模型在零 - shot 场景下能够强大地捕捉到歌曲情绪的关联。 此外，通过比较使用歌词和使用声学特征的模型的预测，我们观察到，相对于声学，歌词对情绪的预测具有不同的重要性，从而验证了模型是否捕捉了人类对歌词和声学的情绪相关性的相同信息。

May, 2022

音乐中情感或心情可以在不同层面上表达自己。我们评估了基于歌词和音频的情感分析模型，并提出了结合音频和歌词结果的不同方法。我们还研究了音频和歌词情感之间的错误分类和矛盾，并确定了可能的原因。最后，我们解决了这个研究领域的一些基本问题，如主观性高，数据缺乏以及情感分类的不一致性。

May, 2024

研究印度古典音乐中，不同的 raga 如何引发听众的不同情绪，探索了一种利用 raga-rasa 相关性的新型框架，结合音频信号处理和机器学习技术，构建了智能分类器以及基于用户当前情绪和所期望的情绪的音乐推荐系统。

Mar, 2022

通过使用分类技术和 XLMRoBERTa 模型，为印度语歌曲的歌词建立了一个手动注释的数据集，并进行了音乐情感识别模型的测试。

Mar, 2023

本研究旨在解决对于孟加拉语资源与跨领域适应性缺乏研究的限制，因此提出一个大规模的孟加拉语电子书评论数据集， 使用各种机器学习模型分析数据，发现预训练模型比手工特征模型具有更高的性能，同时进行错误分析以提供关于在孟加拉语等欠资源语言中常见的分类错误的见解。

May, 2023

本研究考虑了基于音频信号和歌词的多模态音乐情绪预测任务，复现传统特征工程方法的基础上提出了一种基于深度学习的新模型，证明了新方法相较于传统模型更擅长于唤起用户的注意，而在情感预测上两种方法表现相当。此外，我们还比较了不同的融合方法，在同时优化各单模态模型时取得了较大的提升，并向公众发布部分数据以供参考。

Sep, 2018

本文旨在研究多模态方法是否能在高级歌曲特征和歌词上比单一模态更好地预测歌曲情感得分，结果显示多模态特征在预测愉悦度时比纯音频好，其中 5 种高级歌曲特征对模型性能的贡献最大。

Feb, 2023

通过直接人类评估词汇，我们对大规模文本的幸福水平进行了连续刻度量化，并发现歌曲歌词的幸福感从 20 世纪 60 年代到 90 年代中期有所下降，而博客的幸福感从 2005 年到 2009 年稳步上升，与博主年龄和距离赤道的远近呈现明显的起伏。

Mar, 2017

本文提出了一种基于 Transformer 的技术，通过机器学习和深度神经网络的方法，将孟加拉文本分类为六种基本情感，实验结果显示，使用 XLM-R 技术在测试数据上获得了最高的加权 F1 值（69.73%）。

Apr, 2021

本研究提出了一种用于识别和提取孟加拉文文本中情感的方法，使用基于 Transformer 的模型构建了孟加拉语情感分类器，并使用 “Unified Bangla Multi-class Emotion Corpus (UBMEC)” 评估了模型的性能。

Oct, 2022