- 句法融合：通过多树图整合提升方面级情感分析
合成融合方法 SynthFusion 可以通过多个解析器的预测来改善图神经网络在情感分类方面的性能，同时减少了过度参数化和过拟合的风险。
- 用于方面级情感分类的双重关注模型
提出了一种新的双重注意模型 (DAM) 用于方面级情感分类，该模型使用依存标签作为关注机制以提高性能，并在 SemEval 2014 和 Twitter 数据集上进行实验，取得了良好的效果。
- AAAI从预训练语言模型中清除非静态知识用于金融实体级情感分类
本研究提出了一种基于情感分析和方面级别情感分类的方法，通过中间转移学习，利用跨领域、跨语言和跨任务的数据集和预训练语言模型来提高其在韩语金融数据集上的准确性。
- DigNet: 从局部 - 全局交互图中挖掘线索，用于方面级情感分类
本研究提出了一种新颖的本地 - 全局交互图，通过交互边沿连接两种图形，结合了局部句法和全局关系信息。使用 DigNet 神经网络进行建模可以实现在理解方面层面情感时，局部句法和全局关系信息的协调一致，实验证明了该方法的优越性。
- EMNLP无监督意见抽取消除方面级情感分类的情感偏差
本文提出了一种基于跨度的抗偏置情感表征学习框架，通过拟对手学习消除了方面嵌入中的情感偏差，然后通过跨度依赖建模将处理出的意见候选点与方面对齐，突出可解释的意见术语，在五个基准测试中取得了最新的最先进的性能，具有无监督意见提取的能力。
- ACL基于多个依存树的图形集成学习用于方面级情感分类
该论文研究了如何在面对不可避免的解析错误时更好地利用句法信息，提出了一种名为 GraphMerge 的简单有效的图形集成技术，通过将不同解析器的预测组合起来后再应用 GNNs 在得出的集成图上，使 GNN 模型能够在零额外计算成本的同时抵抗 - COLING面向方面级情感分类的注意力转移网络
该研究提出了一种名为 ATN 的新型注意力传输网络，它可以成功地从资源丰富的基于文档级情感分类数据集中利用注意力知识来提高面向方面的情感分类任务的注意力能力，并在两个 ASC 基准数据集上进行实验，证明了其优于现有技术的有效性。
- EMNLP一个面向方面情感分析的迭代式多知识迁移网络
提出一种迭代多知识转移网络 (IMKTN) 模型，用于利用三个子任务之间的交互关系和易于获得的文档级标记领域 / 情绪知识来处理方面情感分析，并在三个基准数据集上取得了有效和优越的结果。
- 利用图卷积网络建模情感依赖性进行方面级情感分类
本文提出了一种基于图卷积网络的新型方面级情感分类模型，该模型能够有效地捕捉一句话中不同方面之间的情感依赖关系，并通过 SemEval 2014 数据集的评估表明了其优越性。此外，我们还开展了实验以评估 GCN 模块的有效性，并表明不同方面之 - 面向方面级别情感分析的渐进式自监督注意力学习
本文提出了一种渐进式自监督注意力学习方法，用于神经网络的方面级情感分类模型，该方法自动从训练语料库中挖掘有用的注意力监督信息来改善注意力机制，实验结果表明，该方法可以提高注意力机制，相对于现有的两个状态 - of-the-art 神经方面级 - EMNLPCAN: 用于多方面情感分析的受限注意力网络
本文提出了约束注意力网络，它是一个简单而有效的解决方案，用于规范多方面情感分析中的注意力，从而缓解了注意机制的缺点，并在两个公共数据集上取得了很好的实验结果，并在多任务设置中超越了最先进的方法。
- 利用从粗到细的任务传递进行方面级情感分类
本文提出一种多粒度对齐网络 (Multi-Granularity Alignment Network) 并采用粗到细任务转移方法，以改善低资源微观层面 Aspect Term (AT) 任务的学习效果，其中采用了一种新颖的辅助任务掌握的粗粒 - ACL利用文档知识进行方面级情感分类
本文探索了两种从文档级数据转移知识的方法，以提高方面级情感分类的性能。我们在 SemEval 2014、2015 和 2016 年的 4 个公共数据集上证明了我们方法的有效性，并显示注意力机制的 LSTM 从文档级知识中受益。
- 基于注意力机制的层次化神经网络进行方面级情感分类
本文介绍了一种利用 AOA 网络的方案，用于精准的情感分析，相较于之前的基于 LSTM 的网络结构，有更好的表现。
- IJCAI交互式关注网络用于方面级情感分类
本文介绍了一种交互学习的方法，并通过提出的交互式注意力网络（IAN）模型对目标和上下文进行交互式学习，从而分别生成目标和上下文的表示，从而更好地表示目标及其相互作用的上下文，有助于情感分类。实验结果表明，该模型在 SemEval 2014