本文提出了一种简单易用的多语言情感分析框架，旨在作为情感分析测试基线和构建新情感分析系统的起点。该框架经过在 8 种不同语言的比较中，在其中三种语言的国际竞赛中名列前茅，在其他语言中也超越了报告的结果。

Dec, 2016

研究表明，英文的消极评论中包含正面词汇多于负面词汇，并阐明了否定语用于消极评论中与正面词汇的关系以及大多数具有积极词汇的句子表达负面观点。

Jun, 2021

本研究的目标是解决情感极性分类方面的挑战，提出了一种广泛的技术用于分类情感，进行了完整的过程说明，同时进行了句子级别的分类和评论级别的分类，最后讨论了未来情感分析研究的计划。

Nov, 2022

本研究通过对书评的心理、词汇、语义、易读性等特征进行统计分析，使用两种易读性测试探索阅读便利程度与书评受欢迎程度的正向关联，并运用传统机器学习分类器和基于 Transformer 的预训练语言模型，自动判断书评的受欢迎程度。研究结果表明，除了一些特征（例如书评长度、情感和词语独特性）之外，大多数属性在受欢迎和不受欢迎的书评组之间没有显著差异。此外，使用词语 N-gram 特征的机器学习分类器的低性能凸显了在判断创意领域受欢迎程度方面所面临的挑战。总体而言，本研究揭示了影响书评受欢迎程度的因素，并强调了进一步研究的需要，尤其是在创意领域。

Nov, 2023

利用互动增强效应以提高普通情感分析模型性能

Sep, 2023

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

该研究项目旨在将综合自然语言处理应用于满意度调查，重点是理解和提取调查响应中的相关信息，分析情感，识别重复的词语模式。通过利用自然语言处理技术来确定情感极性、将响应分类为积极、消极或中性，以及利用观点挖掘来突显参与者的意见，该方法有助于确定参与者最相关的方面，并了解他们对这些特定方面的观点。该研究项目的关键组成部分将是利用自然语言处理技术分析满意度调查响应中的词语模式。这个分析将提供对受访者响应中存在的情感、观点、主题和趋势的更深入的理解。通过这种方法获得的结果可以用于确定改进领域、了解受访者的偏好，并基于分析做出战略决策，以提高受访者的满意度。

Jul, 2023

这篇论文研究了新闻文章情感分析的不同点，并且提出了三个需要解决的子任务，同时尝试从新闻文章中分离出正负面情感并挖掘其中的实体，最终得到的实验结果表明，忽略专业领域的词汇能够在新闻观点挖掘的任务中产生更好的效果。

Sep, 2013

该论文介绍了一种从词汇统计学关联性出发推断词汇的语义方向的方法，通过应用点对点互信息（PMI）和潜在语义分析（LSA）两种不同的统计测量方式进行评估，该方法在英语单词集测试中达到 82.8% 的准确性，但当允许算法避免类别划分时，准确性可以提高至 95% 以上。

Sep, 2003

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