本文提出了一种两路模型的方法，使用物体感知变压器将图片翻译为文本表示并构造辅助句以提供多模态的信息给语言模型，同时对推特数据进行情感分析，达到了最佳效果。

Aug, 2021

本文提出了一种面向多模态方面的情感分析的Vision-Language预训练框架（VLPMABSA），使用更加统一的多模态编码器-解码器体系结构来应对上一个视觉和文本模型分开预训练、或是总体预训练任务不够细致的问题，同时还设计了三种特定于该任务的语言、视觉和多模态预训练任务，并通过实验证明了本文方法在三个MABSA子任务上优于当前最先进方法的效果，且有助于情感、方面和跨模态的细粒度对齐。

Apr, 2022

本研究提出了一种面向方面的方法（AoM），旨在检测与方面相关的语义和情感信息，并使用图卷积网络模拟视觉文本和文本之间的交互，明确地引入了情感嵌入，以准确地聚合情感信息。

May, 2023

多模态情感分析研究中，提出了一种称为DQPSA的新框架，其包含了Prompt作为Dual Query（PDQ）模块和基于能量的Pairwise Expert（EPE）模块，通过提取Prompt感知的视觉信息、加强视觉信息与分析目标之间的相关性以及模型边界配对，实现了在三个广泛使用的基准测试中超过以往方法并达到了最新的最佳性能。

Dec, 2023

本研究探讨了预训练语言模型中面向方面的情感分类（ABSC）所面临的挑战，特别关注上下文化和产生幻觉的问题。为了应对这些挑战，我们引入了CARBD-Ko（一个上下文标注的韩文面向方面情感分类基准数据集），该数据集将方面和双标极性结合起来以区分面向特定和面向不可知的情感分类。该数据集包含用于注释特定方面、方面极性、面向不可知极性和方面强度的句子。为了解决双标方面极性的问题，我们提出了一种使用连体网络的新方法。我们的实验结果突出显示了准确预测双极性的困难，并强调了上下文化情感分析模型的重要性。CARBD-Ko数据集为未来面向层面情感分类的研究提供了宝贵的资源。

Feb, 2024

多模态情感分析的研究中，我们引入了一个以文本为导向的交叉注意力网络（TCAN），强调文本在情感分析中的主导作用。通过对多模态样本进行自注意力和文本查询交叉注意力操作，我们减少了噪声信号和冗余特征的影响，并通过背向传播的方法实现了异质情感倾向的深入理解。实验证明，TCAN在CMU-MOSI和CMU-MOSEI两个数据集上始终优于最先进的多模态情感分析方法。

Apr, 2024

借助细粒度多模态信息改进维族多模态情感分析的研究工作中，我们提出了新的维语多模态数据集ViMACSA和一个Fine-Grained Cross-Modal Fusion Framework (FCMF)框架，通过学习内部和跨模态交互并融合信息来产生统一的多模态表示。实验结果显示该框架在ViMACSA数据集上超过了其他模型，达到了79.73%的最高F1分数，同时还研究了越南多模态情感分析的特点和挑战。

May, 2024

多模态基于方面的情感分析 (MABSA) 研究了一个管道框架，其中首先通过 MATE 多模态方面术语抽取识别方面，然后将这些方面与图像补丁对齐用于情感分类 (MASC)，并且该方法在 Twitter-15 和 Twitter-17 数据集上取得了最先进的性能表现。

May, 2024

提出了一种创新方法MambaForGCN，该方法通过将语法基础的图卷积网络（SynGCN）和MambaFormer模块以及Kolmogorov-Arnold网络（KANs）融合，来增强Aspect-based sentiment Analysis（ABSA）中方面和意见词之间的短程和长程依赖关系。实验结果表明，MambaForGCN在三个基准数据集上的表现优于最先进的基线模型。

Jul, 2024

本研究解决了多模态基于方面的情感分析中，长距离依赖建模的不足和视觉表示的全局上下文捕获的挑战。我们提出了新的DualKanbaFormer架构，通过结合选择性状态空间模型和Kolmogorov-Arnold网络，显著提升了文本和视觉数据的情感分析效果。实验结果表明，该模型在两个公开数据集上的表现超越了一些现有的最先进研究。

Aug, 2024