本文提出了一种新的多语言情感分类方法，使用了大量的弱监督数据训练多层卷积网络，通过在多种语言数据集上进行充分的评估，证明该方法的优异性能，达到了同类研究的最高水平。

Mar, 2017

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

本文介绍了一种零射击跨语言主题模型，利用迁移学习来处理多个语言的数据集，以解决传统基于词袋的主题模型所面临的单语言或巨大而稀疏的词汇表等问题，并评估了在不同语言中同一篇文章的主题预测的准确性和连贯性，结果表明所转移的主题是连贯且稳定的，具有潜在的未来研究方向。

Apr, 2020

本文论述了跨语言零-shot迁移的问题，并通过对XLM-RoBERTa进行实验，研究机器阅读理解、情感分析和句子嵌入对跨语言迁移的影响。发现跨语言迁移在语义文本相似度检验（STS）中表现最强，情感分析次之，机器阅读理解中表现最弱。

Jan, 2021

本研究探讨了在捷克语、英语和法语中进行跨语言情感分析的方法，使用五个线性转换与LSTM和CNN基于分类器的零样本跨语言分类。与现有的BERT模型相比，我们结合了几种转换，并比较了它们的性能。我们发现，与单语分类不同，来自目标领域的预训练嵌入对于提高跨语言分类结果至关重要。

Sep, 2022

本研究使用零样本和小样本学习进行跨语言情感分析。采用三种语言的BERT-based模型进行语种间的情感分类，提出了一种简单多任务模型。通过单任务和多任务实验的零样本和小样本场景对克罗地亚言和斯洛文尼亚情感分析进行评估。

Dec, 2022

通过实验发现多语言模型存在在未知领域的过度拟合问题，在跨语言迁移的设置下，语言和领域的差异对测试结果产生了影响；进一步提出两种新的方法来解决这个问题，通过利用最新大型语言模型避免昂贵的标注过程，通过对13种语言的测试集进行评估，结果表明这些方法在Amazon和Restaurant评论中的准确度比CAD方法提高了3.1%。

Nov, 2023

通过使用多语种词典进行预训练，本文在低资源语言中增强了多语种语言模型的功能，在34种语言中进行了零样本情感分析任务，包括6种高/中资源语言，25种低资源语言和3个代码混合数据集。结果显示，使用多语种词典进行预训练能够实现更好的零样本性能，而不使用句级情感数据，相比于基于英文情感数据集和大语言模型如GPT-3.5，BLOOMZ和XGLM的微调模型。这些发现适用于涉及高资源语言的未知低资源语言到代码混合场景。

Feb, 2024

在跨语言情感分析领域，公共的小型多语言语言模型在零样本跨语言性能上优于大型通用语言模型，但在少样本跨语言设置中，公共的大型通用语言模型展现出更高的适应潜力。

Jun, 2024