该研究对情感分析中的词汇分类方法进行了探究，比较了14种公式的性能，选择最符合人类判断的用于计算词汇极性。

Dec, 2012

本文通过融合各种先前极性技术，构建一个学习框架，使用两个不同版本的SentiWordNet，以不同的数据集和任务测试回归和分类模型，得到了优于单一指标的新一代情感分析词语 prior 极性估计方法，并发现了词语 Part of Speech 和标注者性别对计算先前极性得分的有趣偏差。

Sep, 2013

本论文提出了一种集成方法，将手动构建的先前极性词典与基于SentiWordNet的方法进行比较和融合，从而创建了一个在情感分析中表现出高精度和高覆盖率的先前极性词典SentiWords，并在情感分析任务中证明了其优于SentiWordNet和手动标注情感词典的表现。

Oct, 2015

本文介绍了一种使用单线性转换来捕捉跨语言情感关系的方法，并演示了如何在非英语环境下应用跨语言情感模型，以实现对英语情感知识的有效利用，从而使得在缺少数据的情况下，以很低的成本分析和提取其他语言的特征成为可能。

Jul, 2017

使用双语情感嵌入模型BLSE，能够在资源贫乏的目标语言中精确的捕获情感信息，从而在跨语言情感分类任务中实现优于现有方法的性能提升。

May, 2018

本文扩展了一种英语情感词典并创建了适用于意大利语的新词典，同时提出了简单的方法来提高不同特定领域的数据集和任务的性能。

Oct, 2018

本文旨在回答是否预训练的语言模型（如BERT）是否可以自动编码每个单词的情感信息以及是否可以用于推断不同方面的极性，通过展示比较BERT和通用单词嵌入的上下文嵌入的训练，我们可以利用其推断情感，并且我们表明，如果我们微调用于BERT和通用单词嵌入比较构建的模型的子集权重，可以在基于方面的情感分类数据集中获得最新功能的极性检测。

Nov, 2020

开发和评估了一种适用于Macedonian的Twitter情感分析系统，包括语料库和大规模情感词典，并在实验中表现出92.16的F1分数，这是与英语最好结果相当的极强表现。

Sep, 2021

该研究是关于情绪极性检测在历史拉丁文本中的应用，结合启发式标签和GPT4生成标签的监督学习方法，使用参数高效微调和适配器框架，通过LLM生成的标签在情绪极性检测任务中取得了第一名的优异成绩，结果表明LLM标注对拉丁文本具有良好的潜力。

May, 2024

情感分析中，很多自然语言处理研究都集中于识别少量离散情感类别，但这些基本集合很少考虑到文本数据，并且文化、语言和方言可以影响特定情感的解释。本研究将范围扩展到包括人类用来描述自己感受经历的无限多的情感状态集合，并收集并发布了包含超过1000个独特情感状态的英语和西班牙语Reddit帖子数据集MASIVE。然后，将 extit{情感状态识别}问题定义为基于掩码跨度预测任务的语言生成模型，并发现在该任务上，较小的微调多语言模型表现优于更大的语言模型，即使对于区域特定的西班牙语情感状态也是如此。此外，我们还展示了在MASIVE上进行预训练可以提高模型在现有情感测试中的性能。最后，通过机器翻译实验，我们发现以本族语为母语的数据对于良好的任务性能至关重要。

Jul, 2024