基于 VAE 的主题建模方法，利用文档级别的监督，在不需要精细标注方面或情感方面的标签的情况下完成 ABSA，能够检测文档中的多个方面，从而合理推测多个方面的情感是如何融合形成可观察的整体文档级情感的。通过对两个不同领域的基准数据集的实验结果证明，该方法显著优于最先进的基准模型。

Oct, 2023

我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性，以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明，我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外，我们的工作还为无监督的观点词挖掘方法设立了一个基准。

Apr, 2024

本文探讨了如何使用来自其他无监督模型的信息来规范 ABAE，以获得更好的性能，既在规则基础的合集方法上得到对比，也证明了对比于单个模型，集成模型的效果更好，而基于规则的集成模型则表现不如基于规范化的集成模型。

Oct, 2022

本文提出了 AF-DSC 方法，仅使用基于文档级别评论的信息，就可实现零样本学习的方面级别情感分类，通过该方法将文档级别情感分类与方面级别情感分类相结合，并证明了情感组合在文档级别情感分类中的重要性。

Sep, 2022

本文探索了两种从文档级数据转移知识的方法，以提高方面级情感分类的性能。我们在 SemEval 2014、2015 和 2016 年的 4 个公共数据集上证明了我们方法的有效性，并显示注意力机制的 LSTM 从文档级知识中受益。

Jun, 2018

本文提出了一种基于选择性对抗学习的无监督领域自适应方法来解决缺乏标注序列数据的情况，能更有效地提取方面和情感，并且实验证明了该方法的有效性。

Oct, 2019

本文提出了一种基于弱监督的方法进行情感分析，通过词嵌入空间下的 <情感，方面> 联合主题嵌入来实现预测，通过预训练分类器和自我训练来利用词级别的判别信息。

Oct, 2020

本文基于依赖解析和简单的规则，提出了一种弱监督多方面情感分类方法，通过引入一个潜在变量和变分下界来实现情感极性的学习，实验表明该方法优于弱监督基线模型并与具有百个标签的监督方法具有可比性。

Apr, 2019

采用超级对比预训练的方法，利用语言资源中的大规模情感注释语料库，对于产品评论中蕴含的明示和隐含情感表达进行预测，大幅提高对于细节方面表达情感的识别率，这种方法不仅在论文中实验证明了其有效性，还在 SemEval2014 基准测试集上取得了最好的表现。

Nov, 2021

我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

Jan, 2014