本文介绍了两种自然语言处理技术（词袋和 TF-IDF）以及各种机器学习分类算法（支持向量机，逻辑回归，多项式朴素贝叶斯，随机森林）来分析大型，不平衡和多类数据集上的情感分析。最佳方法使用支持向量机和逻辑回归的词袋技术提供 77％的准确性。

Oct, 2021

本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

Dec, 2022

本文详细阐述了情感分析的最新趋势和技术，通过系统综述了词汇、图形、网络、深度学习和规则等方法并比较分析数据集和评价指标，展现了情感分析的广泛应用领域，并旨在提高情感分析的效率和准确性。

May, 2023

使用 GoEmotions 数据集评估情感分析模型的效能并扩展研究范围，发现 RoBERTa 模型在细粒度情感分类任务上表现出色，推动了情感分析能力的发展。

May, 2024

本文综述了在自然语言处理（NLP）方面使用深度学习模型进行情感分析的最新研究，评估了使用词频 - 逆文档频率（TF-IDF）和词嵌入技术的不同模型和输入特征，并对实验结果进行了比较研究。

Jun, 2020

本文介绍了一种利用情感分析的 Web 爬取框架，以便快速发现电影评论和酒店评论的情感内容及分析，并详细讨论了两种监督式机器学习算法：K - 最近邻算法（K-NN）和朴素贝叶斯算法，并比较了它们的总体准确度、精确度和召回率。研究发现，在电影评论方面，朴素贝叶斯算法比 K-NN 算法效果好得多，但在酒店评论方面这些算法效果相对较差并且几乎相同。

Oct, 2016

本研究对二十四种正当实践的情感分析方法进行了基准比较，覆盖社交网络、电影、产品评论、新闻文章等十八个数据集，并提供了这些方法的代码和数据集以供使用。结果表明这些方法的预测性能在不同数据集上变化不大。

Dec, 2015

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

本研究使用多层神经网络 MLTA，并结合图神经网络技术进行社交媒体上的情感分析，并能够提取主要的情感，并适用于分析更广泛的 Twitter 数据集。

Jul, 2022

本文讨论了大型语言模型在情感分析任务中的有效性，对 13 项不同的任务进行了评估，在简单任务中表现良好，但在涉及更深层次理解和结构化情感信息方面仍有待提高；然而，在资源有限的情况下，大型语言模型表现出色，提供了潜在可能性。该研究提出了一个新的基准评估框架 SentiEval。

May, 2023