本研究的目标是解决情感极性分类方面的挑战，提出了一种广泛的技术用于分类情感，进行了完整的过程说明，同时进行了句子级别的分类和评论级别的分类，最后讨论了未来情感分析研究的计划。

Nov, 2022

本文综述了情感分析在教育领域的四个级别及其在教学决策制定以及对教学质量的提升的作用，描述了使用 AI 方法和情感标注技术对学生反馈进行分析的过程和工具，并讨论了情感分析领域中的挑战和未来趋势。

Feb, 2023

使用 Transformer Language Models 等方法对 Yelp 评论进行语言行为学习，并利用 prompt-based queries 生成合成文本以分析特定观点，证明即使在缺乏特定关键词的情况下，这些模型也能准确产生具有正确情感的大量文本。

Apr, 2022

这篇论文研究了新闻文章情感分析的不同点，并且提出了三个需要解决的子任务，同时尝试从新闻文章中分离出正负面情感并挖掘其中的实体，最终得到的实验结果表明，忽略专业领域的词汇能够在新闻观点挖掘的任务中产生更好的效果。

Sep, 2013

我们提出了一种从文本集合中挖掘意见的新方法，该方法是使用在不同人群收集到的数据上训练的生成式语言模型。我们描述了意见洞察挖掘的基本定义、方法论和通用算法。通过在实验中展示预先训练的生成式模型使用经过特殊设计的内容进行精调，我们展示了我们的方法的性能，其中包含不自然且完全注释的意见。我们展示了我们的方法能够学习和将意见转移到语义类别中，同时保持极性的比例。最后，我们展示了使用洞察挖掘系统来从真实文本语料库中扩大发现意见洞察的用途。

Jul, 2023

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

本文提出了一种基于文本的观点挖掘系统，可以分为积极、消极和中立。该系统还可以处理否定语。通过使用电影评论，实验结果表明了该系统的有效性。

Aug, 2014

本文提出了一种利用意见表达的不同视角，构建了一种联合细粒度和粗粒度意见模型的方法，该模型具有注意力机制的某些特性，对最近发布的多模态细粒度注释语料库提供了具有竞争力的结果。

Aug, 2019

通过预训练的 BERT 模型实现传递学习来增加情感分类的准确性，虽然结果完全正确，但仍需要进一步研究来验证模型的泛化能力。

Nov, 2023

本文旨在利用机器学习的方法来分析学生的课程反馈，使用自然语言处理的技术和嵌入式词和深度神经网络等现代方法，使用 RoBERTa 模型获得 95.5% 的准确率和 84.7% 的 F1-macro，提供给大学和课程提供商以一个使用 NLP 模型自我评估和改进的指导。

Apr, 2023