本文描述了我们在SemEval-2016任务4中基于深度学习的处理Twitter的情感分析方法。我们使用卷积神经网络来确定情感，并参加所有子任务，即二点、三点、五点刻度情感分类和二点、五点刻度情感量化。我们在二点刻度情感分类和量化方面取得了有竞争力的成绩，排名第五和第四（根据另一种度量方法排名第三和第二），尽管仅使用不包含情感信息的预训练嵌入。我们在三点刻度情感分类方面表现良好，在35个队伍中排名第八，但在五点刻度情感分类和量化方面表现不佳。错误分析表明，这是由于模型无法捕捉负面情感并且无法考虑序数信息的表现力不足。我们提出了一些改进措施来解决这些和其他问题。

Sep, 2016

本篇论文描述了研究团队为SemEval-2020 Task 9开发的两个系统，用于涵盖印地语 - 英语和西班牙语 - 英语这两种混合语言。通过介绍利用多种神经网络方法和预训练的单词嵌入的解决方案,我们提出的多语言BERT方法在印地语-英语任务中取得了有前途的表现，平均F1得分为0.6850，对于西班牙语-英语任务，我们使用另一种基于Transformer的多语言模型XLM-RoBERTa获得了平均F1得分为0.7064，排名团队第17位(29个参赛者中).

Sep, 2020

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

使用收集到的七个手动标注的 Twitter 情感数据集，建立 LSTM 模型来对推文情感进行分类，并使用新数据集对模型进行评估。

Dec, 2022

本文详细阐述了情感分析的最新趋势和技术，通过系统综述了词汇、图形、网络、深度学习和规则等方法并比较分析数据集和评价指标，展现了情感分析的广泛应用领域，并旨在提高情感分析的效率和准确性。

May, 2023

本文采用张量网络进行情感分析，与传统循环模型相比，使用更少的资源进行培训，并取得了可比的性能。

Jun, 2023

本研究探讨了ChatGPT作为数据标记工具用于不同情感分析任务中的应用，结果表明相较于基于词汇表的算法，ChatGPT在准确性方面有了显著提高，可用于不同的事件和任务情感分析的标注工作。

Jun, 2023

本研究采用卷积神经网络（CNN）对来自微博的119,988篇原始推文进行情感分析，利用词嵌入进行特征提取，并在情感标签的基础上训练模型执行情感分类，实现了对积极、中立和消极情绪的平衡分类，展示了CNN在情感分析任务中的有效性。

Jul, 2023

情感分析是文本挖掘中的新兴领域，通过计算地识别和分类在不同社交媒体平台上表达的观点，对于了解顾客对产品、服务和最新市场趋势的心态起着重要作用。这篇综述论文定义了情感以及在语音、图像、视频和文本等不同领域中的最新研究和发展，同时还讨论了情感分析的挑战和机遇。

Nov, 2023

使用GoEmotions数据集评估情感分析模型的效能并扩展研究范围，发现RoBERTa模型在细粒度情感分类任务上表现出色，推动了情感分析能力的发展。

May, 2024