针对孟加拉语中的虚假新闻检测，本研究基于大规模数据集，使用了多种深度学习模型，包括双向 GRU 模型、LSTM 模型、1D 卷积神经网络模型以及混合架构模型，通过全面试验证实了这些模型在识别孟加拉语虚假新闻方面的有效性，其中双向 GRU 模型的准确率高达 99.16%。研究结果强调了数据集平衡的重要性，以及对检测过程进行不断改进的必要性，为使用有限资源创建孟加拉语虚假新闻检测系统并为未来的改进工作奠定了基础。

Mar, 2024

本文提出了一种基于层次化门控循环单元的框架，解决了对话系统中表述级情感识别面临的诸多挑战，包括同一词汇在不同上下文中可能带有不同情感、一些情感在一般对话中很少出现以及难以捕捉到长程的上下文信息等，通过在底层 GRU 模型对词汇级输入进行建模，然后在上层 GRU 模型中捕捉表述级嵌入的上下文信息来解决这些挑战，并且进一步提出了 HiGRU-f 和 HiGRU-sf 两种变体来更好地利用词 / 表述级别的信息和长程上下文信息，并在三个对话情感数据集上进行了实验，结果表明我们提出的 HiGRU 模型在每个数据集上都至少比现有的最先进方法提高了 6.0％的效果。

Apr, 2019

通过使用 Gated Recurrent Unit (GRU) 算法，该研究检测了使用 EEG 信号来预测情绪状态的能力，结果表明该模型在验证集上达到了 100% 准确率，并且与其他机器学习技术相比，GRU 模型的极限梯度提升分类器具有最高的准确性，这项研究强调了类似 GRU 的深度学习模型在情绪识别中的潜力以及情感计算的进展，发现为与计算机交互和理解情绪如何通过脑电波活动表达提供了新的可能性。

Jul, 2023

本文提出了一种新方法，通过解决上下文特定词义的挑战来提高情感分析的效果。它结合了双向长短期记忆网络（Bi-LSTM）和知识图谱的同义词数据的优势，利用动态注意力机制开发出一种知识驱动的状态向量。为了对特定方面的情感进行分类，该方法构建了一个集成位置数据的存储库，然后使用多层门控循环单元（GRU）分析此数据以确定与特定方面词相关的情感特征。对三个广泛可用的数据集的测试结果表明，该方法在情感分类方面表现出优秀的性能。

Dec, 2023

研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

Feb, 2023

本文探讨了字节级循环语言模型的性质和学习特征，这些特征包括对应于高级概念的分离特征和单元，其中一个单元执行情感分析，这些在非监督学习方式下得到的表述在斯坦福情感树库的二进制子集上实现了最先进的性能，同时也具有很高的数据效率。

Apr, 2017

利用深度双向循环神经网络进行情感分析的 SA-BDRNN 模型旨在充分发挥文本挖掘在大数据背景下的潜力，通过训练和评估情感分析模型，提取客观意见，并与现有框架进行比较以建立一个强大的深度神经网络分类模型。

Nov, 2023

本篇论文提出了一种名为 Light GRU 的改进型 GRU 神经网络模型，通过删除 reset gate 和使用 ReLU 激活函数，从而提高自动语音识别任务的训练效率和识别准确率。

Mar, 2018

采用 BERT 表示法，利用混合增强的深度学习算法对印度尼西亚情感分析进行了研究，并展示 BERT 表示法可以提高所有混合架构的准确性。在 BERT 基础上的 LSTM-CNN 准确性略高于其他 BERT 基础混合架构。

Nov, 2022

通过结合 RoBERTa 和 BiLSTM 网络的 RoBERTa-BiLSTM 混合深度学习模型，在情感分析中实现更好的性能。

Jun, 2024