- Anubhuti -- 一份用于孟加拉短篇小说情感分析的标注数据集
该研究报道了 Anubhuti 的创建过程 -- 这是用于分析孟加拉短篇小说作家表达情感的第一个且最大的文本语料库，其中包括数据收集方法、手动注释过程、数据集的高一致性及其与基线机器学习和深度学习模型的性能验证以及如何将该数据集应用于语言学 - 通过分离三维表情与身份来实现野外实时面部表情识别
本研究提出了一种基于深度学习和面部视频数据的情感检测方法，使用 Convolutional Neural Network 训练一个能够估计三维表情模型参数的模型，并结合情感分类器，能够高效准确地从动态图像中识别面部表情，且在基本情感和压力情 - PO-EMO：德语和英语诗歌中审美情感的概念化、注释和建模
通过注释实验和 BERT 分类器，我们研究了文学作品中的美学情感，包括复杂和微妙的情感，以及作者的意图和读者的反应之间的区别，并形成了一个对于未来大规模分析的一致数据集。
- GoodNewsEveryone：一份新闻标题语料库，涵盖情感、语义角色和读者感知的注释
通过众包的方式，我们发布了一个数据集，包括了 5000 个英文新闻标题的情感、情感体验者和文本线索、相关情感原因和目标，以及读者对标题情感的感知；在此基础上，我们提出了一个多阶段的注释程序，开发了语义角色结构自动预测任务的基线，并讨论了结果 - 社交媒体和新闻文章中虚假信息的情感分析
通过情感分析比较真假新闻的语言使用，并考虑了社交媒体和在线新闻来源的虚假信息类型（宣传、谣言、点击草率和讽刺）; 我们的实验表明，虚假信息在每种类型中都具有不同的情感模式，情感在欺骗读者方面发挥了关键作用； 基于此，我们提出了一个采用情感注 - ACL针对德语与英语的事件情感语料的众包和验证
本文创建了 deISEAR，一个针对德语情感分析的语料库，并通过 crowdsourcing 实现了情感分类模型的跨语言迁移，结果表明该方法不会导致性能下降。
- ACL多模态情感识别和情感分析的多任务学习
本文介绍了一个深度多任务学习框架，通过上下文级别的视听注意力机制来同时进行情感和表情分析，并在 CMU-MOSEI 数据集上达到了新的最佳性能。
- 情感归属、分类和摘要的多任务神经方法
本论文提出了一种新的神经方法，称为 Bi-stream 情感归属 - 分类网络（BEAC-Net），来解决用户生成视频中情感分析的问题，实现情感识别，情感归属和情感导向的摘要的相关任务。BEAC-Net 有两个主要构成部分：归属网络和分类网 - PersEmoN：一个深度网络用于表观人格、情绪以及它们之间的联合分析
研究使用基于面部图像的深度联合学习模型（PersEmoN），同时学习高级情感特征和面貌特征，并通过采用多任务学习框架和对抗学习的方式来促进学习模型的准确性。
- 计算文学研究中情感分析与情绪分析综述
该文综述了情感分析在文学中的应用，包括追踪情节发展的变化、网络分析，以及理解文本的情感等。
- 情感、情绪和强度预测的多任务集成框架
本文研究使用多任务组合框架解决情感和情绪分析中的三个问题，并通过使用卷积神经网络（CNN）、长短期记忆网络（LSTM）和门限循环单元网络（GRU）等三种深度学习模型以及手工特征表示进行预测，实验结果显示出本文提出的多任务组合框架的有效性，对 - 情感识别的时空循环神经网络
本研究提出一种名为 STRNN 的深度学习框架来将人类情感信息的两种不同信号源进行学习，以便对情绪进行永久跟踪和分析，并在公共情感数据集上取得更具竞争力的结果。
- MMAVEC 2016 - 抑郁症、情绪和情感识别研讨会和挑战
这篇文章介绍了 “音频 / 视觉情感挑战和研讨会（AVEC 2016）” 的比赛指南，使用的数据和基线系统在情感分析任务方面的表现，该比赛旨在比较多媒体处理和机器学习方法的自动音频、视觉和生理抑郁症和情绪分析，并为多模态信息处理提供一个公共 - ACLDepecheMood：一份从众包标注新闻中提取情感分析的词汇表
本文提出了一种利用众包情感注释从社交媒体数据中自动化提取高覆盖率和高精度情感得分的新方法，得到了一个称为 DepecheMood 的大约 37,000 个术语的情感词典，并在无监督设置中提供了新的最先进的性能。
- 众包词语 - 情感关联词库
利用众智的力量，通过提出包括单词选择问题在内的 “情感注释” 问题，快速且廉价地生成了一个大型、高质量的单词 - 情感和单词极性关联词典，并通过实验证明，询问单词是否与情感相关比询问单词是否会唤起情感，获得更高的注释者互动一致性。