本文提出了一种统一的一步解决方案 One-ASQP，用于检测方面类别并同时识别方面 - 意见 - 情感 (AOS) 三元组，旨在扩展 Aspect sentiment quad prediction (ASQP) 的能力，并公开了两个新的 ASQP 数据集，以解决现有基准和数据集规模较小的问题。

Jun, 2023

本文提出了基于语义生成以及 ASQP 任务的方案，能够通过一个句子实现四个情感因素的预测，从而揭示一个更全面的方面级别情感结构。同时该方案可以以端到端的方式从生成的角度来解决 ASQP 任务，充分利用情感元素的语义信息，取得了很好的实验效果及其在其他任务上的良好通用性。

Oct, 2021

Aspect Sentiment Quad Prediction (ASQP) 任务是在基于方面的情感分析中预测给定评论的所有四元组（方面术语、方面类别、意见术语、情感极性）的最具代表性和具有挑战性的任务。我们提出了一个自训练框架，其中包含一个伪标签评分器，用于评估评论与其伪标签之间的匹配程度，目的是过滤掉不匹配的部分，从而增强自训练的效果。我们还探索了使用大型语言模型替代人类进行对比数据集注释的可能性，并且实验证明了其可行性。

Jun, 2024

该研究提出了自适应数据增强（ADA）框架来解决情感分析中的数据不平衡问题，并探索了生成框架用于提取完整的情感四元组。实验结果表明，自适应数据增强方法对于改善情感分析任务中的数据不平衡问题具有优势。

Jan, 2024

本文探讨了模板顺序对方面情感四元组预测任务的影响，并提出了通过最小化熵选择模板顺序并使用多种合适的模板进行数据增强提高该任务表现的方法。在低资源情况下，该方法优于现有的最先进方法。

Oct, 2022

本文介绍了一项新任务 DiaASQ，旨在探索对话中目标 - 方面 - 意见 - 情感的细粒度情感分析，并提出了一个神经模型来进行四元组预测，以更好地跨话语提取四元组，以桥接细粒度情感分析和对话意见挖掘。

Nov, 2022

本研究旨在解决使用神经模型进行少样本学习中，纬度预测的挑战，并提出了一种聚合多个模板的广角软提示方法，通过使用预训练语言模型选择相关度最高的 k 个模板，并使用软提示来指导预训练语言模型，最终将多个模板的结果通过投票机制进行聚合。实验证明，该方法在各项指标上明显优于其他最新方法和公共数据集。

Jun, 2024

通过模型的自洽性推理和相应的情感四元组生成，SCRAP 显著提高了应对复杂推理任务的能力，并通过一致性投票正确预测四元组，从而在 ASQP 中获得了增强的可解释性和准确性。

Mar, 2024

我们提出了一种新的任务，称为实体 - 方面 - 意见 - 情感四元抽取（EASQE），旨在将方面术语层次化地分解为实体和方面，以避免在 ABSA 任务中的信息丢失，非独占性注释和意见误解。通过实验证明，我们的触发器 - 意见框架可以生成令人满意的 EASQE 结果，并且也可以应用于其他 ABSA 任务，显著优于现有的方法。

Nov, 2023

本文介绍了一项有关餐厅评论数据的研究，数据集包含了 46,730 条来自中国领先在线到线下（O2O）电子商务平台的餐厅评论，每条评论都按照其对 18 个预定义方面类别的情感极性进行手动注释，并提出了一种直观而有效的联合模型用于方面类别情感分析和评论评级预测，实验结果证明，该联合模型优于目前的基线模型。

Mar, 2021