Leveraging Structural and Semantic Correspondence for Attribute-Oriented Aspect Sentiment Discovery
IBM Corporation（国际商业机器公司）；North Carolina State University（北卡罗来纳州立大学）
意见文本通常涉及诸如作者身份和位置等属性，这些属性会影响不同方面表达的情感。我们认为，结构和语义对应是普遍存在于固执己见的文本，特别是当与属性，并在准确揭示其潜在的方面和情感结构的关键。然而，现有的方法并没有认识到这一点。我们提出了Trait，这是一种无监督的概率模型，可以从文本中发现方面和情感，并将它们与不同的属性相关联。为此，Trait使用马尔可夫随机场推断并利用结构和语义对应。我们的经验表明，通过将属性明确Trait显着优于国家的最先进的基线生成的属性配置文件，符合我们的直觉，通过可视化显示，并产生更大的语义凝聚力的主题。
2019-08-28 cs.CL cs.LG
AX-MABSA: A Framework for Extremely Weakly Supervised Multi-label Aspect Based Sentiment Analysis
University of Edinburgh（爱丁堡大学）；Huawei Research Centre（华为研究中心）
基于方面的情感分析是一个主要的研究领域，在社交媒体分析，商业，金融和健康方面具有潜在的应用。这方面的先前工作主要基于监督方法，少数技术使用弱监督，仅限于预测每个评论句子的单个方面类别。在本文中，我们提出了一个极弱监督的多标签方面类别情感分析框架，不使用任何标记的数据。我们只依赖于每个类的一个单词作为初始指示信息。我们进一步提出了一个自动选词技术来选择这些种子类别和情感词。我们探索了无监督的语言模型后训练，以提高整体性能，并提出了一个多标签生成器模型，以生成多个方面的类别，每个审查句子的情感对。在四个基准数据集上进行的实验显示，我们的方法明显优于其他弱监督基线。
2022-11-07 cs.CL
Twitter Opinion Topic Model: Extracting Product Opinions from Tweets by Leveraging Hashtags and Sentiment Lexicon
ANU & NICTA（澳大利亚国立大学与NICTA）；Monash University（莫纳什大学）
基于属性的意见挖掘被广泛应用于对数据进行汇总或归纳，目前的最新研究成果是基于潜在狄利克雷分配（LDA）模型。虽然像tweet这样的社交媒体数据充满了意见，但它们的“肮脏”性质（作为自然语言）阻碍了研究人员将基于LDA的意见模型应用于产品评论挖掘。推文通常是非正式的，非结构化的，缺乏分类和评级等标记数据，这使得产品意见挖掘具有挑战性。在本文中，我们提出了一个基于LDA的意见模型命名为Twitter的意见主题模型（TOTM）的意见挖掘和情感分析。TOTM在其发现过程中利用了推文中存在的主题标签、提及、表情符号和强烈情感词。它通过直接对目标-意见交互进行建模来改进意见预测，从而发现目标特定的意见词，这在现有方法中被忽略了。此外，我们提出了一个新的配方，将情感先验信息的主题模型，利用现有的公众情绪词典。这是新颖的，因为它可以学习和更新数据。我们进行了实验，900万电子产品的推文，并证明了改进的性能TOTM在定量评价和定性分析。我们表明，基于方面的意见分析大量的推文提供了有用的意见，产品。
2016-09-21 cs.CL cs.IR cs.LG
Leveraging Sentiment to Compute Word Similarity
在本文中，我们介绍了一种新的基于WordNet的相似性度量，SenSim，它包含情感内容（即，积极或消极情绪的程度）来测量它们之间的相似性。所提出的度量是基于这样的假设，即知道的情绪是有益的，在测量的相似性。为了验证这一假设，我们测量并比较了两种注释策略的注释者一致性：1）注释时考虑一对词的情感信息，2）注释时不考虑一对词的情感信息。注释者之间的相关性分数表明，当两个注释者考虑情感信息，同时为一对单词分配相似性分数时，协议更好。我们使用这个假设来衡量一对词之间的相似性。具体来说，我们将每个单词表示为一个向量，该向量包含该单词意义的WordNet注释中所有内容单词的情感得分。这些情感得分是从情感词典中导出的。然后，我们测量两个向量之间的余弦相似性。我们执行的SenSim的内在和外在的评价和比较性能与其他广泛使用的WordNet相似性指标。
2012-09-18 cs.CL cs.IR
Dynamic Multimodal Sentiment Analysis: Leveraging Cross-Modal Attention for Enabled Classification
本研究针对多模态情感分类问题，在transformer架构下对比三种融合策略，基于CMU-MOSEI数据集验证早期融合效果更优，为多模态情感分析的特征融合方向提供参考。
2025-01-14 cs.CL cs.LG
Financial Sentiment Analysis: Leveraging Actual and Synthetic Data for Supervised Fine-tuning
University of Nevada, Reno（内华达大学雷诺分校）
针对金融情感分析标注数据稀缺、现有模型上下文利用不足的问题，提出结合真实与合成数据的方法，构建BertNSP-finance拼接长句、finbert-lc做情感判定，在financial phrasebank数据集上提升了准确率和F1分数。
2024-12-13 cs.CL cs.LG
Leveraging Sentiment for Offensive Text Classification
University of Groningen（格罗宁根大学）
本文在OLID数据集上利用预训练模型预测情感并训练增强数据集，验证情感信息能提升冒犯性文本分类的整体性能。
2024-12-09 cs.CL
Leveraging Deep Neural Networks for Aspect-Based Sentiment Classification
Osaka University（大阪大学）；University of South Australia（南澳大学）；Hiroshima University（广岛大学）
针对 GCN 直接提取句法特征易丢失关键信息的问题，提出融合 Bi-LSTM、自注意力 transformer、Bi-GCN 消息传递与方面掩码的 EEGCN，并在四个基准上验证其显著提升。
2025-03-17 cs.CL cs.LG
Summarizing Opinions: Aspect Extraction Meets Sentiment Prediction and They Are Both Weakly Supervised
Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
我们提出了一个神经框架，用于从在线产品评论中进行意见总结，该框架是知识贫乏的，只需要轻度监督（例如，以产品域标签和用户提供的评级的形式）。我们的方法结合了两个弱监督组件来识别突出的意见，并从多个评论中形成提取摘要：在多任务目标下训练的方面提取器，以及基于多实例学习的情感预测器。我们引入了一个意见摘要数据集，其中包括来自六个不同领域的产品评论的训练集，以及具有黄金标准方面注释，显着性标签和意见摘要的人类注释开发和测试集。自动评估显示，与基线相比，我们的意见摘要有了显着的改进，一项大规模的研究表明，根据多个标准，我们的意见摘要是人类法官的首选。
2018-08-27 cs.AI cs.CL cs.LG
Does BERT Understand Sentiment? Leveraging Comparisons Between Contextual and Non-Contextual Embeddings to Improve Aspect-Based Sentiment Models
Paralleldots, Inc.（Paralleldots公司）
当对句子中的不同单词执行极性检测时，我们需要查看周围的单词来理解情绪。像BERT这样的大规模预训练语言模型不仅可以对文档中的单词进行编码，还可以对单词周围的上下文进行编码。这就引出了一个问题，“预训练语言模型是否也会自动编码每个单词的情感信息？“和“它可以用来推断极性对不同的方面？".在这项工作中，我们试图回答这个问题，表明训练的比较上下文嵌入从BERT和通用的词嵌入可以用来推断情绪。我们还表明，如果我们微调一个子集的权重的模型建立在比较BERT和通用词嵌入，它可以得到最先进的结果极性检测方面基于情感分类数据集。
2020-11-23 cs.CL
WikiSent : Weakly Supervised Sentiment Analysis Through Extractive Summarization With Wikipedia
本文描述了一个弱监督的电影评论领域的情感分析系统。我们的目标是将电影评论分为一个极性类，积极或消极的基础上，这些句子轴承对电影的意见。与评论者对电影的意见没有直接关系的不相关的文本被排除在分析之外。维基百科在系统中整合了电影特定特征的世界知识，用于获得评论的摘录摘要，包括评论者对电影特定方面的意见。这会过滤掉与给定电影无关或客观的概念。拟议的系统，WikiSent，不需要任何标记的数据进行训练。唯一薄弱的监督来自于对WordNet、Part-of-Speech Tagger和Sentiment Lexicons等资源的使用。WikiSent在基线上实现了相当大的准确性提高，并且在相同的数据集上，与该领域中现有的半监督和无监督系统相比具有更好或相当的准确性。我们还使用WikiSent进行了一般的电影评论趋势分析，以发现电影制作的趋势和公众对电影类型，发行年份和极性的接受程度。
2012-09-18 cs.CL cs.IR
Leveraging Explainable AI to Analyze Researchers' Aspect-Based Sentiment about ChatGPT
California State University Fullerton（加州州立大学富勒顿分校）；Western Michigan University（西密歇根大学）；Office of the Deputy Assistant Secretary of the Army (Procurement), ASA (ALT)（陆军副助理部长办公室（采购），陆军助理部长（后勤与资源））
本研究针对现有基于方面的情感分析适用场景有限的问题，提出利用可解释AI分析研究人员对ChatGPT各使用方面的情感，拓展了该技术在长文本研究数据上的应用边界。
2023-08-16 cs.CL cs.LG
ABSApp: A Portable Weakly-Supervised Aspect-Based Sentiment Extraction System
Intel AI Lab（英特尔人工智能实验室）；Bar-Ilan University（巴伊兰大学）
我们提出了ABSApp，一个便携式系统弱监督方面为基础的情感提取。该系统是可解释的和用户友好的，并且不需要标记的训练数据，因此可以快速和经济有效地用于不同领域的应用设置。系统流程包括三个阶段：首先，它基于未标记的数据集生成特定于域的方面和意见词典;其次，它使用户能够查看和编辑这些词典（弱监督）;最后，它使用户能够从同一域中选择未标记的目标数据集，对其进行分类，并生成基于方面的情感报告。ABSApp已成功用于许多实际用例，其中包括电影评论分析和惯例影响分析。
2019-09-12 cs.AI cs.CL
Analyzing Political Figures in Real-Time: Leveraging YouTube Metadata for Sentiment Analysis
Institut Teknologi Bandung（万隆理工学院）
本文提出基于 YouTube 视频描述元数据的实时政治人物情感分析系统，整合 Kafka、PySpark、Hadoop、TensorFlow 与 FastAPI，并用 LSTM 输出正负面情感及 Web 可视化。
2023-09-28 cs.CL
Leveraging Pre-trained Language Model for Speech Sentiment Analysis
ASAPP；Carnegie Mellon University（卡内基梅隆大学）
在本文中，我们探索使用预先训练的语言模型来学习语音情感分析的书面文本的情感信息。首先，我们研究了预训练的语言模型在分别采用自动语音识别（ASR）和基于成绩单的情感分析的两步管道方法中的有用性。其次，我们提出了一种基于伪标签的半监督训练策略，使用端到端语音情感方法上的语言模型来利用大型但未标记的语音数据集进行训练。虽然口语和书面语具有不同的语言特点，但它们在理解情感方面可以相互补充。因此，所提出的系统不仅可以模型的声学特征承载特定的情感信息的语音信号，但学习潜在的信息，携带的文本表示的情感。在这些实验中，我们证明了所提出的方法提高F1分数一致相比，没有语言模型的系统。此外，我们还表明，所提出的框架可以通过利用大量的数据而无需人类情感注释来减少65%的人类监督，并在人类情感注释不足的低资源条件下提高性能。
2021-06-11 cs.CL eess.AS
Sentiment Classification with Word Attention based on Weakly Supervised Learning with a Convolutional Neural Network
Korea University（高丽大学）
为了使情感分析结果的适用性最大化，不仅需要对给定文档的整体情感（积极/消极）进行分类，而且还需要识别有助于分类的主要词。然而，大多数用于情感分析的数据集只有每个文档或句子的情感标签。换句话说，没有关于哪些词在情感分类中起重要作用的信息。在本文中，我们提出了一种识别关键词区分积极和消极的句子，通过使用弱监督学习方法的基础上的卷积神经网络（CNN）。在我们的模型中，每个单词被表示为一个连续值向量，每个句子被表示为一个矩阵，其行对应于句子中使用的单词向量。然后，使用这些句子矩阵作为输入并使用情感标签作为输出来训练CNN模型。一旦CNN模型被训练，我们就实现了单词注意力机制，该机制使用学习的CNN模型结束时的全连接层的权重，通过类激活图识别对分类结果有高贡献的单词。为了验证所提出的方法，我们使用两个电影评论数据集的极性词的分类精度和包含率进行了评估。实验结果表明，该模型不仅能正确地对句子极性进行分类，而且能成功地识别出极性得分高的对应词。
2017-09-29 cs.CL
Leveraging Cognitive Features for Sentiment Analysis
Indian Institute of Technology Bombay（印度理工学院孟买分校）；IITB-Monash Research Academy（IITB-莫纳什研究院）；IBM Research（IBM研究院）
在用户生成的短文本和句子中表达的情感在词汇，句法，语义和语用层面上都是微妙的。为了解决这个问题，我们建议增加传统的功能用于情感分析和讽刺检测，与认知功能来自读者的眼球运动模式。使用我们的增强特征集的统计分类在两个数据集上将极性检测的性能（F分数）提高了3.7%和9.3%，超过了仅使用传统特征的系统。我们进行特征显著性分析，并在一个支持的数据集上进行实验，表明认知特征确实使情感分析器能够处理复杂的结构。
2017-01-19 cs.CL
Empirical Evaluation of Leveraging Named Entities for Arabic Sentiment Analysis
Konya Technical University（科尼亚技术大学）；University of Manouba（马努巴大学）；University of Colorado（科罗拉多大学）
社交媒体反映了公众对特定事件的态度。事件通常与人、地点或组织有关，即所谓的命名实体。这可以将命名实体定义为承载情感的组件。在本文中，我们潜水超越命名实体识别的情感注释命名实体在阿拉伯语情感分析的开发。因此，我们开发了一种算法来检测的情绪命名实体的基础上，对他们的大多数态度。这使得能够用适当的标签标记命名实体，从而将它们包括在两个模型的情感分析框架中：监督和基于词典。这两种模型都适用于多方言内容的数据集。结果表明，命名实体对监督模型没有很大的影响，而在基于词典的模型中使用它们提高了分类性能，并且优于大多数基线系统。
2019-04-23 cs.CL
Leveraging Multi-grained Sentiment Lexicon Information for Neural Sequence Models
神经序列模型在情感分类中取得了巨大的成功。然而，有些模型非常复杂或基于昂贵的功能。另一些模式则承认现有语言资源的价值，但没有充分利用。本文提出了一种新的通用的方法来合并词汇信息，包括情感词汇（+/-），否定词和加强词。单词以细粒度和粗粒度标签进行注释。所提出的方法首先将细粒度的标签编码成情感嵌入，并将其与词嵌入连接。第二，粗粒度的标签被用来增强注意力机制，给予情感相关的词大的权重。实验结果表明，我们的方法可以提高SST-5和MR数据集上的神经序列模型的分类精度。具体来说，增强的Bi-LSTM模型甚至可以与使用昂贵的短语级注释的Tree-LSTM进行比较。进一步的分析表明，在大多数情况下，词典资源可以提供正确的注释。此外，所提出的方法能够克服不可避免的错误注释的影响。
2019-10-17 cs.CL
Polarity in the Classroom: A Case Study Leveraging Peer Sentiment Toward Scalable Assessment
在大型或大规模开放式在线课程（MOOC）中对开放式作业进行准确评分并非易事。同行评审是一种很有前途的解决方案，但由于评审员很少和未评估的评审形式，因此可能不可靠。到目前为止，还没有工作1）在同行评审过程中利用情感分析来通知或验证成绩，或者2）利用方面提取来从学生实际交流的内容中制作评审表格。我们的工作利用，而不是丢弃，学生的数据从审查形式的意见，提供更好的信息，教师。在这项工作中，我们详细的过程中，我们创建我们的领域相关的词汇和方面知情的审查形式，以及我们的整个情感分析算法，它提供了一个细粒度的情感分数从文本单独。最后，我们分析的有效性和讨论的结论，从我们的语料库超过6800同行评议，从9门课程，以了解情感在课堂上的可行性，以增加信息和可靠性的评分开放式作业在大型课程。
2021-08-02 cs.CL cs.CY
Sentiment Analysis of Code-Mixed Languages leveraging Resource Rich Languages
Language Technologies Research Centre (LTRC)（语言技术研究中心）；Kohli Center on Intelligent Systems (KCIS)（科利智能系统中心）；International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
针对语码混合数据的情感分析难题，提出结合对比学习、孪生网络与聚类预处理的SACMT方法，将语码混合与标准语言文本映射到公共情感空间，性能显著优于现有最优方法。
2018-04-03 cs.CL
Predicting Cyber Events by Leveraging Hacker Sentiment
USC Information Sciences Institute（南加州大学信息科学研究所）
最近备受瞩目的网络攻击说明了为什么组织需要更好的网络防御。网络威胁很难准确预测，因为攻击者通常会试图掩盖他们的踪迹。然而，他们经常在黑客论坛上讨论漏洞利用和技术。黑客的社区行为可以提供对群体集体恶意活动的见解。我们提出了一种新的方法来预测网络事件使用情感分析。我们使用来自2个主要商业组织的网络攻击数据来测试我们的方法。我们考虑3种类型的事件：恶意软件安装、恶意目的地访问和超出目标组织防御的恶意电子邮件。我们通过对黑客论坛帖子应用情感分析来构建预测信号，以更好地了解黑客行为。我们分析了2016年1月至2018年1月期间在Surface和Dark Web上的100多个黑客论坛上生成的40多万个帖子。我们发现，一些论坛比其他论坛具有更强的预测能力。利用特定论坛的基于情绪的模型可以在事件发生前几周预测网络攻击方面胜过最先进的深度学习和时间序列模型。
2018-04-14 cs.CL
Beyond Sentiment: Leveraging Topic Metrics for Political Stance Classification
University of Rochester（罗切斯特大学）
针对情感分析难以准确反映文本政治立场的不足，本研究提出基于BERTopic提取的主题度量作为替代与补充，实验证明其显著提升了连贯性及立场分类性能，结合情感度量可达最优效果。
2023-10-24 cs.CL cs.CY
Leveraging Medical Sentiment to Understand Patients Health on Social Media
Indian Institute of Technology Patna（巴特那印度理工学院）；Wright State University（莱特州立大学）
近年来，互联网用户的空前增长导致了大量以社交媒体文本形式出现的非结构化信息。这一人群中有很大比例的人积极参与卫生社交网络，分享与卫生有关的信息。在本文中，我们通过分析用户的情绪和情感w.r.t他们的医疗条件来解决一个重要而及时的话题。为此，我们研究了流行医学论坛（Patient.info，dailystrength.org）上的用户，他们在那里发布了重要的主题，如哮喘，过敏，抑郁和焦虑。首先，我们通过抓取数据为任务提供了一个基准设置，并进一步定义了情绪特定的细粒度医疗条件（已死亡，存在，恶化和其他）。我们提出了一种有效的架构，使用卷积神经网络（CNN）作为数据驱动的特征提取器和支持向量机（SVM）作为分类器。我们进一步开发了一个情感功能，这是敏感的医疗背景。在这里，我们表明，使用医学情感特征以及从CNN提取的特征提高了模型性能。除了我们的数据集，我们还评估了我们的方法在基准“CLEF电子健康2014”语料库，并表明我们的模型优于国家的最先进的技术。
2018-07-30 cs.CL
Leveraging Deep Graph-Based Text Representation for Sentiment Polarity Applications
University of Tehran（德黑兰大学）
在过去的几年里，图结构上的机器学习在文本挖掘应用中表现出了显著的增强，例如事件检测，意见挖掘和新闻推荐。在这方面的主要挑战之一是构造一个图，该图编码并包含有效的机器学习算法的文本数据的特征。此外，语义关系的探索和利用被认为是文本挖掘应用的一个主要步骤。然而，大多数传统的文本挖掘方法在使用这种关系方面表现得有些差。在本文中，我们提出了一个基于图的文本表示，其中包括停止词，考虑语义和术语关系。然后，我们采用表示学习方法的组合图的句子，提取潜在的和连续的文档的特征。最后，学习到的文档特征被送入深度神经网络，用于情感分类任务。实验结果表明，该方法大大优于相关的情感分析方法的基础上几个基准数据集。此外，我们的方法可以在不同的数据集上推广，而不依赖于预先训练的词嵌入。
2019-11-15 cs.CL cs.LG stat.ML
Leveraging Foreign Language Labeled Data for Aspect-Based Opinion Mining
Posts and Telecommunications Institute of Technology（越南邮电技术学院）
基于方面的观点挖掘是在观点文本的方面层次上识别情感的任务，它包括两个子任务：方面类别提取和情感极性分类。虽然方面类别提取的目的是检测和分类的意见目标，如产品特征，情感极性分类分配一个情感标签，即积极的，消极的，或中性的，每个识别的方面。监督学习方法已被证明可以为这项任务提供更好的准确性，但它们需要标记的数据，这是昂贵的，特别是对于资源贫乏的语言，如越南语。为了解决这个问题，我们提出了一个监督方面为基础的意见挖掘方法，利用标记的数据从外语（英语在这种情况下），这是翻译成越南语的自动翻译工具（谷歌翻译）。由于不同语言中的方面和观点可能由不同的词来表达，因此我们提出使用词嵌入以及其他特征来减少原文和译文之间的词汇差异，从而提高方面类别提取和情感极性分类过程的有效性。我们还介绍了一个注释语料库的方面类别和情感极性提取的餐馆评论在越南，并进行了一系列的实验语料库。实验结果证明了该方法的有效性。
2020-03-15 cs.AI cs.CL cs.IR
What is wrong with you?: Leveraging User Sentiment for Automatic Dialog Evaluation
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）；Amazon Alexa AI（亚马逊Alexa人工智能部门）
开放域对话的精确自动评估指标是高需求的。现有的基于模型的系统响应评估指标的训练人类注释的数据，这是繁琐的收集。在这项工作中，我们建议使用的信息，可以自动提取的下一个用户的话语，如其情绪或用户是否明确结束对话，作为代理来衡量以前的系统响应的质量。这使我们能够在监督较弱的情况下对大量对话进行训练，而不需要手动系统转向质量注释。实验表明，我们的模型与在人类注释数据上训练的模型相当。此外，我们的模型概括了从真实和付费用户收集的口语和书面开放域对话语料库。
2022-03-25 cs.CL
Zero-Shot Fine-Grained Style Transfer: Leveraging Distributed Continuous Style Representations to Transfer To Unseen Styles
Facebook AI Research（脸书人工智能研究院）
文本样式转换通常使用可以采用少量离散值的属性（例如，负面评价）。在这项工作中，我们引入了一种体系结构，该体系结构可以利用预训练的一致连续分布式风格表示，并使用它们来转移到训练期间未见过的属性，而无需对风格转移模型进行任何重新调整。我们通过训练一个架构来展示该方法，该架构使用超过20个情感标签的细粒度集合，而不是风格转移中经常使用的二进制正/负，将传达一种情感的文本转移到另一种情感。我们的实验表明，这个模型可以重写文本，以匹配在训练过程中看不到的目标情感。
2019-11-10 cs.CL
EHSAN: Leveraging ChatGPT in a Hybrid Framework for Arabic Aspect-Based Sentiment Analysis in Healthcare
Newcastle University（纽卡斯尔大学）
针对阿拉伯语患者反馈分析不足的问题，提出EHSAN混合框架，结合ChatGPT伪标注与人工审核构建首个可解释的医疗方面级情感数据集，实验证明该方法高效可扩展，仅用少量人工监督即可达到高准确率。
2025-08-04 cs.AI cs.CL cs.LG
Leveraging ChatGPT As Text Annotation Tool For Sentiment Analysis
College of Science and Engineering, Hamad Bin Khalifa University（哈马德·本·哈利法大学科学与工程学院）；Department of Electronic and Computer Engineering, HKUST（香港科技大学电子与计算机工程系）
本研究提出利用ChatGPT作为情感分析的数据标注工具，实验表明其在推文和亚马逊评论数据集上的准确率分别比最佳词典算法提升20%和25%，显著优于现有无监督方法。
2023-06-18 cs.CL
Leveraging Large Language Models for Sentiment Analysis: Multi-Modal Analysis of Decentraland's MANA Token
University of Pennsylvania（宾夕法尼亚大学）；Microsoft（微软）；Duke Kunshan University（杜克昆山大学）
本研究利用基于BERT的大语言模型对Decentraland的Discord社区进行情感分析，并结合多模态金融数据（历史价格、情感分数、交易量和市值）构建LSTM模型，发现多模态模型在MANA代币回报预测中显著优于仅基于价格的基线模型。
2026-04-04 cs.CE cs.CL cs.CR
Can a Humanoid Robot be part of the Organizational Workforce? A User Study Leveraging Sentiment Analysis
Nanyang Technological University（南洋理工大学）；University of Geneva（日内瓦大学）
为工作场所雇用机器人是一项具有挑战性的任务，因为机器人必须满足客户需求，遵守组织协议并遵守社交礼仪。在这项研究中，我们建议有一个人形的社会机器人，纳丁，作为一个客户服务代理在一个开放的社会工作环境。本研究的目的是分析人形机器人在工作环境中对客户的影响，并看看它是否可以处理社会场景。我们建议透过问卷调查及顾客意见反馈两种模式评估这些目标。我们还提出了一种新的方法来分析客户反馈数据（文本）使用敏感计算方法。具体来说，我们采用方面提取和情感分析来分析数据。从我们的框架中，我们检测到的情感相关的方面，主要关注客户在他们的互动。这使我们能够了解客户的期望和机器人作为员工的当前限制。
2019-05-30 cs.AI cs.CL cs.HC
Leveraging Large Language Models for Code-Mixed Data Augmentation in Sentiment Analysis
The Harker School（哈克尔学校）
本研究提出利用大型语言模型生成合成代码混合数据以增强情感分析性能，在西班牙语-英语中F1提升9.32%，并验证了少样本提示方法的有效性，尤其对低基线场景有益。
2024-11-01 cs.CL
NollySenti: Leveraging Transfer Learning and Machine Translation for Nigerian Movie Sentiment Classification
Montclair State University（蒙特克莱尔州立大学）；University College London（伦敦大学学院）
针对非洲语言NLP数据集匮乏、跨领域泛化性差的问题，构建了覆盖尼日利亚五种语言的电影评论情感数据集NollySenti，验证了同领域英语迁移+机器翻译的跨领域情感分类方案效果更优。
2023-08-22 cs.CL
C1 at SemEval-2020 Task 9: SentiMix: Sentiment Analysis for Code-Mixed Social Media Text using Feature Engineering
Capital One（第一资本）
在当今互联互通的多语言世界中，社交媒体上的语言代码混合是一种常见现象。虽然许多自然语言处理（NLP）任务（如情感分析）已经成熟，并且针对单语文本进行了良好的设计，但将这些任务应用于代码混合文本的技术仍然值得探索。本文描述了我们的特征工程方法，用于SemEval-2020任务9：SentiMix的代码混合社交媒体文本中的情感分析。我们利用一组手工设计的词汇，情感和元数据功能来解决这个问题，设计一个分类器，可以消除“积极”，“消极”和“中性”的情绪之间的歧义。通过这个模型，我们能够获得加权的F1得分为0.65的“印度式英语”任务和0.63的“西班牙式英语”任务
2020-08-09 cs.CL cs.LG
Milestones in Bengali Sentiment Analysis leveraging Transformer-models: Fundamentals, Challenges and Future Directions
The Pennsylvania State University（宾夕法尼亚州立大学）；Rajshahi University of Engineering & Technology（拉杰沙希工程技术大学）
本文系统梳理了基于Transformer模型的孟加拉语情感分析研究现状，分析了现有数据集不足与语言特性带来的挑战，并提出了未来改进方向。
2024-01-15 cs.CL
LowResource at BLP-2023 Task 2: Leveraging BanglaBert for Low Resource Sentiment Analysis of Bangla Language
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；University of Rochester（罗切斯特大学）
LowResource团队利用BanglaBert结合微调、丢弃token及外部数据集等策略构建集成模型，在BLP-2023 Task 2的孟加拉语情感分析任务中获得测试集第三名。
2023-11-21 cs.CL
RideKE: Leveraging Low-Resource, User-Generated Twitter Content for Sentiment and Emotion Detection in Kenyan Code-Switched Dataset
University of Minnesota -Twin Cities（明尼苏达大学双城校区）
针对Twitter低资源语言数据因语码转换等问题难以利用的挑战，分析肯尼亚语码转换数据，用监督和半监督方法评估四种SOTA模型，发现XLM-R在情感分析、DistilBERT在情绪分析中表现较好，为低资源语码转换数据的情感情绪检测提供了参考。
2025-02-10 cs.AI cs.CL
Relational Graph Convolutional Networks for Sentiment Analysis
Amirkabir University of Technology（阿米尔卡比尔理工大学）
本文提出利用关系图卷积网络（RGCNs）结合BERT和RoBERTa等预训练语言模型进行情感分析，有效捕捉实体间复杂关系，并在Amazon和Digikala数据集上验证了其有效性。
2024-04-16 cs.CL cs.LG
Self-training Strategies for Sentiment Analysis: An Empirical Study
Fidelity Investments（富达投资集团）
本文实证研究了情感分析中多种自训练策略，探讨了超参数及大语言模型干预的影响，并在三个真实数据集上验证了效果。
2024-02-04 cs.CL
HausaNLP at SemEval-2023 Task 12: Leveraging African Low Resource TweetData for Sentiment Analysis
Kaduna State University（卡杜纳州立大学）；University of Bucharest（布加勒斯特大学）；University of Abuja（阿布贾大学）；Nile University（尼罗河大学）；Universiti Teknologi PETRONAS（马来西亚石油科技大学）；Bayero University Kano（卡诺贝罗大学）；Shehu Shagari College of Education（谢胡·沙加里教育学院）；Ahmadu Bello University, Zaria（扎里亚艾哈迈德·贝罗大学）；HausaNLP（豪萨语自然语言处理研究组）
该研究面向 14 种低资源非洲语言，评估多种预训练语言模型在 SemEval-2023 情感分析三个子任务上的表现，发现 Afro-xlmr-large 整体最优，且数据量更大的 Hausa、Igbo 和 Yoruba 性能更好。
2023-04-26 cs.CL
Sentiment Analysis with Contextual Embeddings and Self-Attention
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Warsaw University of Technology（华沙理工大学）
在自然语言中，单词或短语的预期含义通常是隐含的，并取决于上下文。在这项工作中，我们提出了一个简单而有效的方法，情感分析使用上下文嵌入和自我注意力机制。三种语言的实验结果，包括形态丰富的波兰语和德语，表明我们的模型与最先进的模型相当，甚至优于最先进的模型。在所有情况下，利用上下文嵌入的模型的优越性得到证明。最后，这项工作的目的是作为一个步骤，引入一个通用的，多语言的情感分类。
2020-10-05 cs.AI cs.CL cs.LG
Cross-Lingual Sentiment Analysis Without (Good) Translation
University of Toronto（多伦多大学）
目前的跨语言情感分析方法试图利用双语词典、双语向量空间嵌入或机器翻译系统来利用大量的标记英语数据。在这里，我们表明，它是可以使用一个单一的线性变换，少至2000字对，捕捉细粒度的情感关系，在跨语言设置的话。我们将这些跨语言情感模型应用到一组不同的任务中，以证明它们在非英语环境中的功能。通过有效地利用英语情感知识，而不需要准确的翻译，我们可以以非常低的成本从其他语言中分析和提取具有稀缺数据的特征，从而使许多语言的情感和相关分析变得廉价。
2017-10-24 cs.CL
Are You Sure You're Positive? Consolidating Chain-of-Thought Agents with Uncertainty Quantification for Aspect-Category Sentiment Analysis
Manchester Metropolitan University（曼彻斯特 Metropolitan 大学）；Autotrader Research Group（Autotrader 研究组）；Autotrader UK（Autotrader 英国）
针对新领域标注数据稀缺及监督方法迁移性差的问题，提出结合多个思维链智能体与不确定性量化的技术，在零样本设置中利用大型语言模型提升方面类别情感分析的性能与可迁移性。
2025-08-24 cs.CL cs.IR
MEGnifying Emotion: Sentiment Analysis from Annotated Brain Data
University of Oxford（牛津大学）；Bowdoin College（鲍登学院）
该研究利用预训练模型对MEG数据进行情感标注，并通过强制对齐提升脑到情感模型的性能，证明了从脑信号直接解码情感的可行性。
2026-01-26 cs.CL cs.HC cs.LG
BTC-SAM: Leveraging LLMs for Generation of Bias Test Cases for Sentiment Analysis Models
Insight SFI Research Center on Data Analytics, Dublin City University（数据分析洞察SFI研究中心，都柏林城市大学）；Laboratoire LITAN, École supérieure en Sciences et Technologies de l’Informatique et du Numérique（LITAN实验室，信息与数字技术高等学院）；School of Computing, Dublin City University（计算学院，都柏林城市大学）；Plus Que Pro, Strasbourg, France（斯特拉斯堡法国Plus Que Pro公司）；ServiceNow, Zurich, Switzerland（瑞士苏黎世ServiceNow公司）；Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学）；Télécom SudParis, SAMOVAR, Institut Polytechnique de Paris（巴黎理工学院SAMOVAR，Telecom SudParis）
本文提出BTC-SAM框架，利用大语言模型生成高质量、多样化的偏见测试用例，以高效检测情感分析模型的社会偏见，实验证明其优于基础提示方法，并能覆盖未见过的偏见。
2025-10-15 cs.CL
Extending Czech Aspect-Based Sentiment Analysis with Opinion Terms: Dataset and LLM Benchmarks
Department of Computer Science and Engineering（计算机科学与工程系）；NTIS -- New Technologies for the Information Society（信息社会新技术）
本文提出了一种针对捷克语的ABSA数据集和翻译对齐方法，通过实验展示了其在低资源语言中的应用效果和改进。
2026-03-04 cs.CL
USA: Universal Sentiment Analysis Model & Construction of Japanese Sentiment Text Classification and Part of Speech Dataset
Yokohama National University（横滨国立大学）；Pusan National University（釜山国立大学）
本文提出通用情感分析（USA）模型，利用单词与文本间的相互增强效应（MRE）并构建四个SCPOS数据集，在四项任务上超越gpt-3.5-turbo。
2023-09-14 cs.CL
Robust Sentiment Analysis for Low Resource languages Using Data Augmentation Approaches: A Case Study in Marathi
SCTR’s Pune Institute of Computer Technology（SCTR浦那计算机技术学院）；L3Cube Pune（浦那L3Cube）；Indian Institue of Technology Madras（印度理工学院马德拉斯分校）
针对低资源语言马拉地语情感分析资源不足、现有数据集适配通用可变长度输入效果差的问题，提出四种数据增强技术，显著提升了跨域准确率，且方法可推广至其他低资源语言和通用文本分类任务。
2023-10-01 cs.CL cs.LG
Convolutional Neural Networks for Sentiment Analysis on Weibo Data: A Natural Language Processing Approach
College Of Computing And Information Technologies（计算与信息技术学院）；National University Manila（马尼拉国立大学）；School of Information Engineering（信息工程学院）；Jiangxi College of Applied Technology（江西应用技术职业学院）
本文提出基于CNN和词嵌入的微博情感分析方法，在119,988条推文上达到约0.73的宏平均F1分数，并公开实验代码。
2023-07-13 cs.CL cs.LG
Mixed Feelings: Cross-Domain Sentiment Classification of Patient Feedback
University of Oslo（奥斯陆大学）
本文研究患者反馈的跨领域情感分类，通过利用通用领域评论缓解数据稀缺，比较了不同架构在领域内、领域外及联合多领域模型上的效果。
2025-01-31 cs.CL
Analysing Public Transport User Sentiment on Low Resource Multilingual Data
University of Pretoria（比勒陀利亚大学）
本文利用多语言预训练语言模型分析肯尼亚、坦桑尼亚和南非 X 平台上的低资源公共交通推文情感，并结合 Word2Vec 与 K-Means 挖掘主题，为改善用户导向交通服务提供依据。
2024-12-09 cs.CL cs.LG
Fortunately, Discourse Markers Can Enhance Language Models for Sentiment Analysis
Pangea Therapeutic（泛大陆治疗公司）
近年来，预训练的语言模型已经彻底改变了NLP世界，同时在各种下游任务中实现了最先进的性能。然而，在许多情况下，当标记数据稀缺并且模型预期在零或Few Shot设置下执行时，这些模型的性能不佳。最近，一些研究表明，持续的预训练或执行第二阶段的预训练（inter-training）可以更好地与下游任务保持一致，从而改善结果，特别是在数据稀缺的情况下。在这里，我们建议利用带有情感的话语标记来生成大规模的弱标记数据，这些数据反过来可以用于适应情感分析的语言模型。广泛的实验结果显示了我们的方法在各种基准数据集上的价值，包括金融领域。代码、模型和数据可在https://github.com/ibm/tslm-discourse-markers上获得。
2022-04-05 cs.CL
A Hybrid Approach To Aspect Based Sentiment Analysis Using Transfer Learning
University of Galway（戈尔韦大学）
针对ABSA标注数据集获取成本高且领域受限的问题，提出结合LLM与传统句法依赖关系的迁移学习混合方法，生成弱监督标注，在多个数据集上有效提升了方面术语提取与情感分类的效果。
2024-03-25 cs.CL
