本研究提出了一种基于 BERT 的 transformer 方法来预测文本中最合适的 emoji 表情符号，实验结果表明我们的方法的准确性高于其他几种先进的模型，这个方法有潜在的在自然语言处理、情感分析和社交媒体营销的应用。

Jul, 2023

本文提出了基于 Transformer 网络的多类和多标签表情符号预测模型，并使用启发式方法从 Twitter 构建了多个表情符号预测数据集。实验结果表明，相对先前的最新技术，我们的 BERT 模型在所有数据集和所有设置下都取得了最先进的性能，其中精度提高了 27.21％到 236.36％，前 5 个精度提高了 2.01％到 88.28％，F-1 分数提高了 65.19％到 346.79％。

Jul, 2020

本研究探究了文字和表情符号之间的关系，并使用长短期记忆网络等多种模型预测文本信息所触发的表情符号，而实验结果表明，计算模型比人工能更好地捕捉表情符号的潜在语义。

Feb, 2017

通过研究 GPT-4V 在复制人类使用表情符号方面的行为，揭示了人类和 GPT-4V 之间明显的差异，这可能是由于人类解释的主观性以及 GPT-4V 的以英语为中心的训练的局限性所引起的，这暗示了文化偏见和对非英语文化的不足。

Jan, 2024

本文探讨了 Emoji 图标的使用和语义，并通过比较不同时间的语料库，证明不同时间的 Emoji 图标的使用情况是不同的。此外，我们提出了一种考虑时间因素的 Emoji 预测系统，这种系统在性能上优于现有的系统，并可以显著提高某些 Emoji 图标的准确性。

May, 2018

在线媒体产生了大量的非结构化数据，我们提出了一种新的方法来预测在线文本消息中表达的表情符号的情感，并构建了一个情感词典进行评估和比较。

Apr, 2024

本研究提出了一种利用表情符号作为新通道来学习语言中跨语言和特定语言情感模式的表示学习方法，并将其应用于跨语言情感分类。该方法在基准数据集上展示出最先进的性能表现。

Jun, 2018

研究了一种基于多模态方法的表情符号预测技术，通过结合图片和文本信息可以更准确地进行表情符号预测，并发现这两种模态的信息能够相互补充从而提高预测准确性。

Mar, 2018

ChatGPT 评估了其在已注释和后续任务处理方面的有效性，以验证 ChatGPT 能否在表情符号研究中作为可行的替代品，并且其解释表情符号含义的能力能增加在线沟通的清晰度和透明度。研究结果表明，ChatGPT 对表情符号有广泛的知识，并能够在不同应用场景中阐明其含义，具备取代人类注释者进行多种任务的潜力。

Jan, 2024

本文提出了一种基于 H-LSTM 模型和 softmax 分类器的方法，以自动推荐相关的 Emoji 表情符号，以更好地传达情感信息。实验结果表明，该方法在情感识别任务上具有优秀的性能，能够更好地捕捉上下文信息和情感流动。

Dec, 2016