Sentiment Analysis of Code-Mixed Indian Languages: An Overview of SAIL_Code-Mixed Shared Task @ICON-2017
University of Texas Health Science Center（得克萨斯大学健康科学中心）；Jadavpur University（贾达普大学）；IIIT Sri City（斯里城国际信息技术研究所）
情感分析在立场检测、评论分析、推荐系统等许多现实应用中至关重要，当数据是从社交媒体上收集的且带有噪声时，情感分析变得更加困难。印度是一个多语言的国家，人们使用一种以上的语言进行交流。语言之间的转换被称为语码转换或语码混合，这取决于混合的类型。本文概述了从不同的社交媒体平台收集的印度语-英语和孟加拉语-英语的代码混合数据对的情感分析的共享任务。本文描述了任务，数据集，评估，基线和参与者的系统。
2018-03-18 cs.CL
Natural Language Processing, Sentiment Analysis and Clinical Analytics
Effat University（埃法特大学）
大数据的最新进展促使医疗保健从业者利用社交媒体上的数据来辨别情绪和情感表达。健康信息学和临床分析在很大程度上依赖于从不同来源收集的信息。传统上，医疗从业者会要求病人填写一份问卷，这将形成诊断医疗条件的基础。然而，医疗从业人员可以获得许多数据来源，包括患者在各种媒体上的文章。自然语言处理（NLP）允许研究人员收集这些数据并对其进行分析，以收集这些文字的潜在含义。情感分析领域（应用于许多其他领域）在很大程度上依赖于NLP使用的技术。这项工作将研究NLP领域的各种流行理论，以及如何利用它们来收集社交媒体上的用户情绪。这种情绪可以在一段时间内剔除，从而最大限度地减少数据输入和其他压力源引入的错误。此外，我们还研究了情感分析的一些应用以及NLP在心理健康方面的应用。读者还将了解实现各种NLP理论的NLTK工具包，以及它们如何使数据清理过程变得更加容易。
2019-02-02 cs.CL
Enhancing Investment Opinion Ranking through Argument-Based Sentiment Analysis
AIST（日本国立先进工业科学技术研究所）；Institute of Information Science, Academia Sinica（中央研究院资讯科学研究所）；National Taiwan University（台湾大学）；Ochanomizu University（御茶水女子大学）；University of Tokyo（东京大学）
研究提出双管齐下的论据挖掘技术，通过目标价与收盘价差异及论据评分排序投资观点，有效提升推荐系统识别高利润潜力观点的能力，并扩展至风险分析。
2024-09-25 cs.CL
Addition of Code Mixed Features to Enhance the Sentiment Prediction of Song Lyrics
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术研究所）
情感分析，也称为意见挖掘，是分析人们的意见，情感，态度和情绪的研究领域。歌曲对于情感分析是重要的，因为歌曲和情绪是相互依赖的。根据所选歌曲，很容易找到听众的情绪，将来可以用于推荐。歌词是一个丰富的数据集，包含的单词，有助于分析和分类的情绪从它产生的。现在，我们观察到很多的词间和词内代码混合的歌曲，有不同的影响观众。为了研究这种影响，我们创建了一个泰卢固语歌曲数据集，其中包含泰卢固语-英语代码混合和纯泰卢固语歌曲。在本文中，我们根据歌曲的兴奋程度将其分为兴奋性和非兴奋性。我们开发了一个语言识别工具，并引入代码混合功能，从它作为额外的功能。我们的系统具有这些额外的功能，在我们的数据集上比传统方法高出4-5%的准确率。
2018-06-11 cs.CL
Advancing Sentiment Analysis: A Novel LSTM Framework with Multi-head Attention
Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）
本文提出一种结合多头注意力与TF-IDF优化的LSTM情感分类模型，在公开数据集上准确率达80.28%，较标准LSTM提升约12%，验证了各模块的有效性。
2025-03-11 cs.CL
Emotional Intelligence Through Artificial Intelligence : NLP and Deep Learning in the Analysis of Healthcare Texts
Maulana Azad National Institute of Technology (MANIT)（毛拉纳·阿扎德国家理工学院）；National Institute of Technology, Tiruchirappalli（蒂鲁奇拉帕利国家理工学院）
本研究系统综述了人工智能结合NLP与深度学习分析医疗文本情感的方法，展示了其在情感分类、预后预测和临床决策支持上的进展，并强调AI赋能个性化治疗与早期心理健康识别，同时指出伦理、隐私和偏见挑战，主张AI分析力与人文关怀协同以变革医疗实践。
2024-03-14 cs.AI cs.CL cs.HC
Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions
Rappi AI Research（Rappi人工智能研究院）
在这项工作中，我们提出了一个框架，完全依赖于基于聊天的客户支持（CS）的互动预测个人用户的推荐决策。在我们的案例研究中，我们分析了拉丁美洲一家大型电子商务公司的金融垂直领域内的1640万用户和4870万客户支持对话。因此，我们的主要贡献和目标是使用自然语言处理（NLP）来评估和预测推荐行为，除了使用静态情感分析，我们还利用每个用户的情感动态的预测能力。我们的研究结果表明，与各自的功能可解释性，它是可以预测的可能性，用户推荐的产品或服务，完全基于他们的CS对话的消息明智的情绪演变在一个完全自动化的方式。
2022-11-08 cs.CL cs.IR cs.LG
Sentiment Analysis For Modern Standard Arabic And Colloquial
Institute of statistical studies and research (ISSR), Cairo University（开罗大学统计研究与研究所）；Cairo University（开罗大学）
博客和社交网络等社交媒体的兴起激发了人们对情感分析的兴趣。随着评论、评级、推荐和其他形式的在线表达的激增，在线意见已经变成了一种虚拟货币，企业希望推销他们的产品，发现新的机会和管理他们的声誉，因此许多人现在都在寻找情感分析领域。在本文中，我们提出了一个基于特征的句子层次的阿拉伯语情感分析的方法。我们的方法是使用阿拉伯语成语/短语词典作为提高阿拉伯语句子中情感极性检测的关键重要性，以及一些小说和丰富的语言动机特征集（上下文增强器，上下文移位器和否定处理），用于冲突短语的句法特征，提高情感分类准确性。此外，我们介绍了一个自动扩展的广泛覆盖的极性词汇的阿拉伯语情感。该词典以黄金标准情感词为种子构建，人工收集和注释，并使用同义词集聚合技术和免费在线阿拉伯语词典和词库自动扩展和检测新情感词的情感倾向。我们的数据集中于现代标准阿拉伯语（MSA）和埃及方言阿拉伯语推特和微博（酒店预订，产品评论等）。使用我们的资源和技术与SVM分类器的实验结果表明高性能水平，准确率超过95%。
2015-05-12 cs.CL
Understanding Stigmatizing Language Lexicons: A Comparative Analysis in Clinical Contexts
University of California, Irvine（加州大学尔湾分校）
本研究系统检索并比较分析了四个临床污名化语言词表，发现其语义相似度中等，多数术语为负面评判性表达，强调需制定标准化词表以应对临床文本中的污名化语言挑战。
2025-09-09 cs.CL
TwiInsight: Discovering Topics and Sentiments from Social Media Datasets
Singapore Institute of Technology（新加坡理工学院）；Data Storage Institute, A*STAR（新加坡科技研究局数据存储研究院）；University of Glasgow（格拉斯哥大学）
社交媒体平台包含了大量的信息，为我们提供了探索隐藏模式或未知相关性的机会，并了解人们对他们正在讨论的内容的满意度。作为一个展示，在本文中，我们提出了一个系统，TwiInsight探索Twitter数据的洞察力。与其他Twitter分析系统不同，TwiInsight自动提取不同类别下的热门话题（例如，医疗保健、食品、技术、体育和交通），并识别不同类别之间的相关主题。此外，它还通过情感分析发现人们对推文和主题的意见。该系统还采用直观和信息可视化来显示未发现的洞察力。此外，我们还开发和比较六个最流行的算法-三个情感分析和三个主题建模。
2017-05-23 cs.CL cs.IR
"Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques
School of Digital Sciences（数字科学学院）
本项目提出一种基于机器学习的药物评论分类系统，利用BERT、SciBERT和BioBERT提取特征，结合多种机器学习与深度学习分类器，将用户评论分为正面、负面和中性，有效分析了公众对药物的情感。
2024-04-09 cs.CL
Powering Comparative Classification with Sentiment Analysis via Domain Adaptive Knowledge Transfer
University of California, Los Angeles（加州大学洛杉矶分校）
我们研究比较偏好分类（CPC），其目的是预测是否存在一个偏好比较两个实体之间在一个给定的句子，如果是这样的话，哪个实体是优于其他。高质量的CPC模型可以显著地有益于比较问答和基于评论的推荐等应用。在现有的方法中，非深度学习方法的性能较差。现有技术的基于图神经网络的ED-GAT（Ma等人，2020）只考虑句法信息，而忽略关键的语义关系和情感的比较实体。我们提出了情感分析增强比较网络（SAECON），它提高了CPC的准确性与情感分析器，学习情感的个人实体通过域自适应知识转移。在CompSent-19上的实验（Panchenko等人，2019）数据集在F1分数上比现有的最佳CPC方法有了显着的改进。
2021-09-07 cs.CL cs.LG
A Multimodal Sentiment Dataset for Video Recommendation
Baidu Inc.（百度公司）
近年来，多模态情感分析取得了显著的进展，并提出了大量的数据集用于其发展。目前的多模态情感分析数据集通常遵循传统的情感/情绪系统，如积极、消极等，但在视频推荐应用中，传统的情感/情绪系统难以从视觉感知和语言理解的角度来表达视频的不同内容。在此基础上，提出了一个多模态情感分析数据集--百度视频情感数据集（DuVideoSenti），并引入了一个新的情感系统，用于描述推荐场景的情感风格。具体来说，DuVideoSenti由百度上展示的5,630个视频组成，每个视频都被手动标注了一个情感风格标签，描述了用户对视频的真实感受。此外，我们建议将UNIMO作为DuVideoSenti的基线。实验结果表明，DuVideoSenti为多模态情感分析带来了新的挑战，可以作为评价视频理解和多模态融合方法的新基准。我们还希望我们提出的DuVideoSenti可以进一步改善多模态情感分析的发展及其在视频推荐中的应用。
2021-09-17 cs.CL
Analysis of Voluntarily Reported Data Post Mesh Implantation for Detecting Public Emotion and Identifying Concern Reports
The University of Adelaide（阿德莱德大学）；University of South Australia（南澳大利亚大学）
本研究利用NLP分析MAUDE数据库2000-2021年Mesh植入术后患者报告，通过情感分析识别情绪模式与关注报告，发现两个时段的关注报告与情绪强度上升，为优化患者护理提供参考。
2025-09-03 cs.CL cs.LG
An overview of model uncertainty and variability in LLM-based sentiment analysis. Challenges, mitigation strategies and the role of explainability
University of Granada（格拉纳达大学）；Andalusian Institute of Data Science and Computational Intelligence (DaSCI)（安达卢西亚数据科学与计算智能研究所（DaSCI））
本文系统综述了基于LLM的情感分析中模型变异性问题（MVP）的成因与影响，重点分析温度参数和可解释性的作用，并提出缓解策略以提升模型在金融、医疗等高风险领域的稳定性、可复现性与可信度。
2025-04-06 cs.AI cs.CL
An Embedding-based Joint Sentiment-Topic Model for Short Texts
Optum Global Advantage (OGA)（奥普姆全球优势（OGA））；IIIT-Delhi（德里印度信息技术学院）
短文本是在社交媒体、电子商务平台等上分享反馈、意见和评论的流行途径。许多公司需要从这些短文本中提取有意义的信息（可能包括主题内容以及语义极性），以了解用户的行为。然而，获得高质量的情感相关的和人类可解释的主题仍然是一个挑战短文本。在本文中，我们开发了ELJST，嵌入增强生成联合情感主题模型，可以发现更多的连贯性和多样性的主题从短文本。它使用马尔可夫随机场正则化器，可以被视为基于跳跃图的模型的概括。此外，它可以利用出现在词嵌入中的高阶语义信息，例如图形模型中的自我注意权重。我们的研究结果显示，与基线相比，主题一致性平均提高了10%，主题多样化平均提高了5%。最后，ELJST有助于在更细的层次上理解用户的行为，这是可以解释的。所有这些都可以为经常与客户打交道的服务和医疗保健行业带来重大价值。
2021-03-26 cs.AI cs.CL
Machine Learning for Food Review and Recommendation
Nanyang Technological University（南洋理工大学）
食品评论和建议一直是在线食品服务网站的重要组成部分。然而，评论和推荐食物并不简单，因为它可能会被不同的上下文和含义所淹没。在本文中，我们使用不同的深度学习方法来解决情感分析、自动评论标签生成和食品评论检索等问题。我们建议在南洋理工大学（NTU）开发一个基于网络的食品评论系统，名为NTU Food Hunter，它结合了不同的深度学习方法，帮助用户选择食物。首先，我们将BERT和LSTM深度学习模型实现到食品评论的情感分析系统中。然后，我们开发了一个词性（POS）算法来自动识别和提取的评论内容的形容词-名词对的评论标签生成的基础上词性标注和依存句法分析。最后，我们还训练了一个RankNet模型，用于对检索结果进行重新排序，以提高基于Solr的食品评论搜索系统的准确性。实验结果表明，我们提出的深度学习方法是有前途的实际问题的应用。
2022-01-15 cs.CL cs.IR cs.LG
Deep Sentiment Classification and Topic Discovery on Novel Coronavirus or COVID-19 Online Discussions: NLP Using LSTM Recurrent Neural Network Approach
Nanjing University of Science and Technology（南京理工大学）；Dalhousie University（达尔豪斯大学）；Jiangsu University of Science and Technology（江苏科技大学）
互联网论坛和公共社交媒体，如在线医疗论坛，为关注健康问题的用户（人/患者）提供了一个方便的渠道，以相互讨论和分享信息。2019年12月下旬，据报道爆发了新型冠状病毒（感染导致的疾病称为COVID-19），由于该病毒在世界其他地区迅速传播，世界卫生组织宣布进入紧急状态。在这篇论文中，我们使用了从社交媒体中自动提取与COVID-19相关的讨论，以及基于主题建模的自然语言处理（NLP）方法，从公众舆论中发现与COVID-19相关的各种问题。此外，我们还研究了如何使用LSTM循环神经网络对COVID-19评论进行情感分类。我们的研究结果揭示了利用公众意见和合适的计算技术来理解COVID-19相关问题并指导相关决策的重要性。
2020-04-24 cs.CL cs.IR
Sentiment Analysis of Review Datasets Using Naive Bayes and K-NN Classifier
Heritage Institute of Technology（遗产技术学院）；Institute of Engineering & Management（工程与管理学院）
Web 2.0的出现导致了Web中可用的情感内容数量的增加。这样的内容通常以电影或产品评论、用户评论、推荐、论坛中的消息等形式出现在社交媒体网站中。及时发现情感或固执己见的网络内容具有许多优点，其中最重要的是货币化。了解大众对不同实体和产品的情感，可以为上下文广告、推荐系统和市场趋势分析提供更好的服务。我们项目的重点是情感集中的网络爬行框架，以方便快速发现电影评论和酒店评论的情感内容，并进行分析。我们使用统计方法来捕捉主观风格和句子极性的元素。本文详细讨论了两种有监督的机器学习算法：K-最近邻（K-NN）和朴素贝叶斯（Naive Bayes），并比较了它们的总体准确率、精确率和召回率。可以看出，在电影评论的情况下，朴素贝叶斯给出了比K-NN好得多的结果，但对于酒店评论，这些算法给出了较少的，几乎相同的准确性。
2016-10-31 cs.CL cs.IR
Visual and Textual Sentiment Analysis Using Deep Fusion Convolutional Neural Networks
Beihang University（北京航空航天大学）
情感分析因其在个性化推荐、意见挖掘等方面的潜在应用而受到越来越多的关注，并成为一个非常热门的研究课题。现有的大多数方法都是基于文本或视觉数据的，很难从单一的模态数据中提取出足够的信息，因此不能取得令人满意的结果。受社交媒体中视觉和文本数据之间存在强烈语义相关性的观察的启发，我们提出了一种端到端深度融合卷积神经网络，以从训练样本中联合学习文本和视觉情感表示。这两个模态信息在池化层中融合在一起，并被馈送到完全连接的层中以预测情感极性。我们评估所提出的方法在两个广泛使用的数据集。结果表明，我们的方法取得了可喜的结果相比，国家的最先进的方法，清楚地表明其能力。
2017-11-21 cs.CL cs.CV cs.IR
ESG Sentiment Analysis: comparing human and language model performance including GPT
University of Manchester（曼彻斯特大学）
本文通过构建150条推文的黄金标准数据集，比较人类与多种机器方法（包括VADER及Llama2、GPT4等语言模型）在ESG社交媒体情感分析中的表现。
2024-02-26 cs.CE cs.CL cs.CY
CERM: Context-aware Literature-based Discovery via Sentiment Analysis
Graduate School of Advanced Science and Technology, Tokyo Denki University（东京电机大学尖端科学技术研究生院）；Sony AI, Sony Research Inc.（索尼研究院索尼人工智能部门）
本文提出实体关系情感分析（ERSA）任务及半监督架构CERM，通过结合词嵌入捕捉生物医学与食品概念间关系，以理解食物与健康关联，实验验证其高效性。
2024-01-27 cs.AI cs.CL cs.LG
Survey of Aspect-based Sentiment Analysis Datasets
University of Houston（休斯顿大学）；Adobe Research（Adobe研究院）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本文综述了65个公开ABSA数据集，覆盖25个以上领域，梳理主要语料库特征、收集方法优缺点，并为未来语料库建设提供建议。
2023-09-21 cs.AI cs.CL
Ethics Sheet for Automatic Emotion Recognition and Sentiment Analysis
National Research Council Canada（加拿大国家研究委员会）
情感在我们生活中的重要性和普遍性使得情感计算成为一项非常重要和充满活力的工作。用于自动情感识别（AER）和情感分析的系统可以是巨大进步的促进者（例如，在改善公共卫生和商业方面），而且也是造成巨大危害的因素（例如，镇压持不同政见者和操纵选民）。因此，情感计算社区必须积极参与其创作的伦理后果。在本文中，我综合并组织了人工智能伦理和情感识别文献中的信息，提出了与AER相关的五十个伦理考虑因素。值得注意的是，该表充实了隐藏在AER通常如何构建以及通常对数据，方法和评估所做的选择中的假设。特别注意AER对隐私和社会群体的影响。在此过程中，为负责任的AER提出了关键建议。该表的目的是促进和鼓励更多的思考为什么要自动化，如何自动化，以及如何在构建AER系统之前判断成功。此外，该表作为一个有用的介绍性文件的情绪识别（补充调查文章）。
2022-03-20 cs.AI cs.CL
Review Mining for Feature Based Opinion Summarization and Visualization
Jamia Millia Islamia（贾米亚·米利亚伊斯兰大学）
意见挖掘技术在商业智能、产品推荐、目标营销等领域的应用和使用引起了国内外学者的广泛关注。各种研究工作试图从不同粒度级别的客户评论中挖掘意见，包括单词，句子和文档级别。然而，开发一个全自动的意见挖掘和情感分析系统仍然是难以捉摸的。虽然意见挖掘和情感分析系统的发展势头越来越猛，但它们中的大多数都试图执行文档级的情感分析，将评论文档分类为积极的、消极的或中性的。这样的文档级意见挖掘方法无法提供关于用户对产品或服务的个体特征的情感的洞察。因此，如果评论可以在更细粒度的级别上进行处理，并通过一些视觉手段以摘要的形式呈现，突出产品的个人特征和用户对其表达的情感，似乎对客户和制造商都有很大的帮助。在本文中，一个统一的意见挖掘和情感分析框架的设计，提出了在机器学习和自然语言处理方法的交叉点。此外，提出了一种新的特征级审查摘要方案的设计，以可视化挖掘的功能，意见和他们的极性值在一个可理解的方式。
2015-04-23 cs.CL cs.IR
An Interpretable and Uncertainty Aware Multi-Task Framework for Multi-Aspect Sentiment Analysis
Virginia Tech（弗吉尼亚理工大学）
近年来，一些在线平台已经看到要求用户提供方面级反馈的评论系统的数量迅速增加。文档级多方面情感分类（DMSC），其目标是从单个方面的评论中预测评级/情感，已成为一个具有挑战性和紧迫性的问题。为了应对这一挑战，我们提出了一个深思熟虑的基于自我注意力的深度神经网络模型，即FEDAR，用于DMSC问题，它可以实现有竞争力的性能，同时也能够解释所做的预测。FEDAR配备了一个高速公路词嵌入层，用于从预训练的词嵌入中传输知识，一个RNN编码器层，其输出特征通过池化和因子分解技术丰富，以及一个刻意的自我关注层。此外，本文还提出了一种基于注意力驱动的关键词排序（AKR）方法，该方法可以根据注意力权重从评论语料中自动发现方面关键词和方面级观点关键词。这些关键词对于FEDAR的评级预测非常重要。由于众包注释可以是一种替代的方式来恢复丢失的评论评级，我们提出了一个LEcture-Audience（LEAD）的策略来估计模型的不确定性，在多任务学习的背景下，使宝贵的人力资源可以专注于最不确定的预测。我们在五个不同的开放域DMSC数据集上进行了大量的实验，证明了所提出的FEDAR和LEAD模型的优越性。我们进一步介绍了两个新的DMSC数据集在医疗保健领域和基准不同的基线模型和我们的模型。注意力权重可视化结果和方面和意见关键字的可视化证明了我们的模型的可解释性和我们的AKR方法的有效性。
2021-05-31 cs.CL cs.IR
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
What Emotions Make One or Five Stars? Understanding Ratings of Online Product Reviews by Sentiment Analysis and XAI
Yonsei University（延世大学）
当人们在网上购买产品时，他们的决定主要基于在线评论中其他人的推荐。目前的工作是通过情感分析来分析这些在线评论，并使用提取的情感作为特征，通过几种机器学习算法来预测产品评级。这些预测通过各种可解释AI（XAI）方法进行分解，以了解模型在预测过程中是否显示出任何偏差。研究1对这些算法（knn，支持向量机，随机森林，梯度提升机，XGBoost）进行了基准测试，并将随机森林和XGBoost确定为预测产品评级的最佳算法。在研究2中，全局特征重要性的分析确定了情绪喜悦和情绪效价消极作为最具预测性的特征。两种XAI可视化方法，局部特征属性和部分依赖图，揭示了实例级别上的几个不正确的预测机制。执行基准分类，研究3确定了一个高的无信息率为64.4%，表明高类不平衡的根本原因，所确定的问题。总之，必须谨慎对待机器学习算法的良好性能，因为在这项工作中遇到的数据集可能偏向于某些预测。这项工作演示了XAI方法如何揭示这种预测偏差。
2020-02-29 cs.AI cs.CL cs.CY
Aspect-based Sentiment Analysis of Scientific Reviews
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）
科学论文是复杂的，理解这些论文的有用性需要先验知识。同行评审是对该领域指定专家提供的论文的评论，拥有大量信息，不仅可供编辑和主席做出最后决定，还可用于判断论文的潜在影响。在本文中，我们建议使用基于方面的情感分析的科学评论，能够提取有用的信息，这与接受/拒绝的决定。在处理来自ICLR（机器学习领域的顶级会议之一）的近8 k评论的数据集时，我们使用主动学习框架来构建用于方面预测的训练数据集，该数据集进一步用于获得整个数据集的方面和情感。我们发现，从审查获得的方面为基础的情感的分布是显着不同的接受和拒绝的文件。我们使用这些评论中的方面情绪来进行有趣的观察，论文中存在的某些方面以及评论中讨论的某些方面强烈决定了最终的建议。作为第二个目标，我们量化了审稿人之间的分歧程度。我们还调查了审稿人和主席之间的分歧程度，发现审稿人之间的分歧可能与主席的分歧有关。这项研究中最有趣的观察结果之一是，评论者的评分和从评论者撰写的评论文本中提取的方面情感是一致的，也更有可能与主席的决定同时发生。
2020-06-05 cs.CL cs.DL cs.LG
A Comprehensive Review of Visual-Textual Sentiment Analysis from Social Media Networks
University of Tabriz（大不里士大学）
本文综述社交媒体中的视觉-文本多模态情感分析，梳理预处理、特征提取、数据集、分类与融合方法，并总结研究进展、挑战及应用。
2023-12-06 cs.AI cs.CL cs.IR
Exploring Sentiment Analysis Techniques in Natural Language Processing: A Comprehensive Review
College of Information and Computer Sciences, University of Massachusetts（马萨诸塞大学信息与计算机科学学院）
本文全面综述了自然语言处理中情感分析的最新技术与趋势，涵盖多种方法、挑战及应用领域，旨在提升该过程的效率与准确性。
2023-05-24 cs.AI cs.CL
COVID-19 Tweets Analysis through Transformer Language Models
Information Technology University（信息技术大学）
了解公众的情绪和看法，在医疗危机是必不可少的发展适当的危机管理技术。虽然一些研究在COVID-19期间使用Twitter数据进行预测建模，但尚未对这一流行病期间人们在社交媒体上的意见进行细粒度的情感分析。在这项研究中，我们对COVID-19中的推文进行了深入的细粒度情感分析。为此，我们对四个Transformer语言模型进行监督训练，用于将推文多标签分类为七个音调类的下游任务：[自信，愤怒，恐惧，喜悦，悲伤，分析，试探]。我们通过RoBERTa实现了0.9267的LRAP（标签排名平均精度）得分。这个经过训练的Transformer模型能够以高精度正确预测推文的语气。然后，我们利用这个模型来预测20万条关于COVID-19的推文的音调。然后，我们对推文的语气进行了国家层面的分析，并提取了有关这一流行病中人们心理状况的有用指标。
2021-02-27 cs.CL cs.IR cs.LG
Amplifying Aspect-Sentence Awareness: A Novel Approach for Aspect-Based Sentiment Analysis
Beihang University（北京航空航天大学）；University of Chinese Academy of Sciences（中国科学院大学）；Jigawa State Institute of Information Technology（吉加瓦州信息技术学院）
针对ABSA中方面与上下文关联不足及句法信息融合难题，本文提出A3SN，通过增强方面-句子感知注意力与门控融合提升语义建模，并在三个基准上超越SOTA模型。
2024-10-26 cs.AI cs.CL
Fine-grained Verification via Diagnostic Reasoning Supervision for Aspect Sentiment Triplet Extraction
The Hong Kong Polytechnic University（香港理工大学）；Lingnan University（岭南大学）；Education University of Hong Kong（香港教育大学）
提出FiVeD框架，通过诊断推理监督进行细粒度验证，利用质量评分和错误分类等辅助任务提升ASTE三元组抽取的可靠性。
2026-05-29 cs.AI cs.CL
Sentiment Analysis and Text Analysis of the Public Discourse on Twitter about COVID-19 and MPox
Emory University（埃默里大学）
针对现有研究未同时分析COVID-19与MPox相关推文的空白，本研究对6万余条同时涉及二者的推特开展情感与文本分析，得出情感分布、热门话题标签与高频词等结果，并验证了研究的创新性。
2023-12-17 cs.AI cs.CL cs.LG
Understanding Social Perception, Interactions, and Safety Aspects of Sidewalk Delivery Robots Using Sentiment Analysis
Purdue University（普渡大学）
本文通过情感分析和主题建模研究公众对人行道配送机器人的看法，发现SVM在二元分类中准确率最高，BERT结合LSTM和GRU在三元分类中F1达0.78，并为相关政策制定提供建议。
2024-03-09 cs.AI cs.CL cs.HC
Sentiment Reasoning for Healthcare
College of William and Mary（威廉与玛丽学院）；University of Toronto（多伦多大学）；University Health Network（大学健康网络）；KU Leuven（鲁汶大学）；Bucknell University（巴克内尔大学）；University of Cincinnati（辛辛那提大学）；University of Alabama at Birmingham（伯明翰大学）
本文提出面向语音和文本的情感推理任务及多模态多任务框架，通过生成预测理由提升医疗AI透明度，并发布全球最大多模态情感分析数据集，实验表明该方法在提升可解释性的同时使分类准确率和宏F1均提高2%。
2025-08-22 cs.AI cs.CL cs.LG
Statistical Analysis on E-Commerce Reviews, with Sentiment Classification using Bidirectional Recurrent Neural Network (RNN)
了解客户的情绪是至关重要的营销策略今天。它不仅可以让公司了解客户如何看待他们的产品和/或服务，还可以让他们了解如何改进他们的产品和服务。本文试图了解女性服装电子商业的客户评论中不同变量的相关性，并对每个评论进行分类，是否推荐被评论的产品，以及它是否包含积极，消极或中性的情绪。为了实现这些目标，我们对除评论标题和评论文本之外的数据集特征进行了单变量和多变量分析，并实现了一个具有长短期记忆单元（LSTM）的双向循环神经网络（RNN）用于推荐和情感分类。结果表明，推荐是积极情绪得分的有力指标，反之亦然。另一方面，产品评论中的评级是情感得分的模糊指标。我们还发现，双向LSTM能够达到F1分数0.88的推荐分类和0.93的情感分类。
2020-06-16 cs.CL cs.LG stat.ML
Explanation as a Defense of Recommendation
University of Virginia（弗吉尼亚大学）；Alibaba Group（阿里巴巴集团）
文本解释已被证明有助于提高用户对机器推荐的满意度。然而，目前的主流解决方案松散地将解释学习与推荐学习联系起来：例如，它们通常被单独建模为评级预测和内容生成任务。在这项工作中，我们建议加强他们的联系，通过执行的想法之间的情感一致的建议和相应的解释。在训练时，这两个学习任务由潜在情感向量连接，该向量由推荐模块编码并用于为解释生成进行单词选择。在训练和推理时，解释模块都需要生成与推荐模块预测的情感相匹配的解释文本。大量的实验表明，我们的解决方案在推荐和解释任务中优于一组丰富的基线，特别是在其生成的解释的质量提高。更重要的是，我们的用户研究证实，我们生成的解释可以帮助用户更好地识别推荐项目之间的差异，并理解为什么推荐项目。
2021-01-24 cs.AI cs.CL cs.IR
Reading the Mood: Emotion-Guided Book-to-Music Recommendation via CGANs and LLMs
National Technical University of Athens（雅典国家技术大学）；National & Kapodistrian University of Athens（雅典国立卡波迪斯特里安大学）
提出SAGA-CDR框架，利用CGAN和LLM实现情绪引导的书籍到音乐推荐，在Amazon和Douban数据集上取得最优评分预测精度。
2026-10-06 cs.CL cs.IR cs.LG
Opinion Recommendation using Neural Memory Model
Singapore University of Technology and Design（新加坡科技设计大学）
我们提出的意见推荐，一个新的任务，共同预测一个自定义的评论与评级分数，某个用户会给某个产品或服务，现有的评论和评级分数的产品或服务的其他用户，以及用户给其他产品和服务的评论。意见推荐的一个特点是依赖多个数据源进行多任务联合学习，这是神经模型的优势。我们使用单个神经网络来对用户和产品进行建模，捕捉它们的相关性，并使用深度记忆网络生成定制的产品表示，从深度记忆网络中共同构建定制的评级和评论。结果表明，我们的意见推荐系统给出的评级更接近真实的用户评级的www.example.com数据相比，Yelp自己的评级，我们的方法给出更好的结果相比，几个管道基线使用国家的最先进的情感评级和总结系统。
2017-02-06 cs.CL
Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation
University of California San Diego（加州大学圣地亚哥分校）；ZOZO Research（ZOZO研究）；Waseda University（早稻田大学）；University of Southern California（南加州大学）；Chiba Institute of Technology（千叶科学技术大学）；The Hong Kong University of Science and Technology（香港科技大学）
本文指出生成式可解释推荐忽略了用户购买后情感，为此构建了关注用户情感的新数据集和评估方法，发现现有模型在传统指标上的表现与情感对齐度无关，但直接输入预测评分能提升解释的情感感知能力。
2025-06-02 cs.AI cs.CL cs.IR
The Point of View of a Sentiment: Towards Clinician Bias Detection in Psychiatric Notes
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
本文利用PLM与LLM按医生和非医生视角分类精神科病历句子情感，发现GPT-3.5与Mistral分别最贴合两类视角，凸显读者视角对偏见检测的重要性。
2025-02-17 cs.AI cs.CL cs.LG
Sentiment-guided Commonsense-aware Response Generation for Mental Health Counseling
IIIT Delhi（德里印度信息技术学院）；University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；IIT Delhi（印度理工学院德里分校）
针对虚拟心理健康助手缺乏常识与细微情感理解的问题，提出情感引导且常识感知的EmpRes回复生成框架，在HOPE上优于基线并经部署用户研究验证有效。
2025-01-06 cs.CL
Learning Personalized Prompts for Healthcare Guidance
Huazhong University of Science and Technology（华中科技大学）；Tongji Medical College（同济医学院）；Hubei Maternity and Child Health Care Hospital（湖北省妇幼保健院）
该研究针对现有LLM医疗指导缺乏个性化的问题，提出PPL框架，利用患者自身与同类病例信息构建初始提示并经RL优化，在妇产科数据上获专家97%的偏好，可与专有LLM无缝集成。
2026-09-01 cs.AI cs.CL cs.IR
Challenges of GPT-3-based Conversational Agents for Healthcare
Bonn-Aachen International Center for Information Technology (b-it)（波恩-亚琛国际信息技术中心）；University of Bonn（波恩大学）；University of Marburg（马尔堡大学）；University Hospital Gießen and Marburg (UKGM)（吉森-马尔堡大学医院）
本研究探讨基于GPT-3的医疗对话智能体在医学问答中的挑战与风险，通过手动设计患者查询进行压力测试，发现模型会生成错误信息、不安全建议及冒犯性内容。
2023-08-29 cs.CL
The Promise of Large Language Models in Digital Health: Evidence from Sentiment Analysis in Online Health Communities
School of Business and Management, Queen Mary University of London（女王玛丽大学商学院）；Wolfson Institute of Population Health (WIPH), Queen Mary University of London（人口健康沃尔夫森研究所）；Department of Medicine, University of Nottingham（诺丁汉大学医学部）；Department of Informatics, Systems, and Communication, University of Milano-Bicocca（米兰-比科卡大学信息学、系统与通信系）
本研究针对数字健康分析中患者生成内容情感分析的专业知识稀缺、数据隐私等挑战，提出通过上下文学习让大型语言模型整合结构化专家编码手册知识的方法，在在线健康社区情感分析任务中性能优于传统模型且达到专家级一致性。
2025-08-19 cs.CL
Hashtag Healthcare: From Tweets to Mental Health Journals Using Deep Transfer Learning
University of Florida（佛罗里达大学）；TAO Connect, Inc.（TAO Connect公司）
随着社交媒体平台的普及度持续上升，越来越多的人际交流和自我表达发生在网上。最近的研究主要集中在挖掘社交媒体上的公众用户对外部实体的意见，如产品评论或对政治新闻的看法。然而，很少有人关注从心理健康的角度来分析用户的内化思想和情绪。在本文中，我们量化了在线认知行为治疗中使用的公共推文和私人心理健康期刊之间的语义差异。我们将使用深度迁移学习技术来分析这两个领域之间的语义差距。我们表明，对于情绪效价预测的任务，社交媒体可以成功地利用来创建更准确，更强大和个性化的心理健康模型。我们的研究结果表明，公共和私人自我表达之间的语义差距很小，利用丰富的可用社交媒体是克服心理健康数据样本量小的一种方法，这些数据通常受到可用性和隐私问题的限制。
2017-08-04 cs.CL cs.CY
Deep Learning Reveals Patterns of Diverse and Changing Sentiments Towards COVID-19 Vaccines Based on 11 Million Tweets
Northwestern University（西北大学）；Feinberg School of Medicine（范伯格医学院）；Ann & Robert H. Lurie Children's Hospital of Chicago（芝加哥安与罗伯特·H·卢里儿童医院）；Northwestern Medicine（西北医学中心）
在撰写本报告时，已接种了超过120亿剂COVID-19疫苗。然而，公众对疫苗的看法一直很复杂。我们分析了与COVID-19疫苗相关的推文，以了解人们对COVID-19疫苗的看法。我们使用最先进的模型XLNet微调了一个深度学习分类器，以自动检测每条推文的情绪。我们采用有效的方法从用户简档中提取用户的种族或民族、性别、年龄和地理位置。通过分析多个数据来源，我们评估了亚群之间的情感模式，并将其与疫苗接种数据并列，以揭示其互动模式。分析了两年内与2，203，681名用户对应的11，211，672条COVID-19疫苗相关推文。用于情感分类的微调模型在测试集上的准确率为0.92。来自不同人口群体的用户对COVID-19疫苗的情绪表现出不同的模式。随着时间的推移，用户的情绪变得更加积极，我们观察到人口水平的疫苗摄取量随后上升。在积极情绪高涨的日期周围，我们发现了有关疫苗开发和分发的令人鼓舞的消息或事件。与一般人群的趋势相比，怀孕相关推文中的积极情绪表现出延迟模式，疫苗接种趋势推迟。各亚群之间的独特模式表明需要量身定制的策略。全球新闻和事件深刻地影响了用户在社交媒体上的想法。由于缺乏及时的建议，有其他问题的人群，如怀孕，表现出更大的犹豫。特征分析显示，不同亚群的犹豫源于临床试验逻辑、风险和并发症以及科学证据的紧迫性。
2022-07-05 cs.CL cs.LG cs.SI
DialMed: A Dataset for Dialogue-based Medication Recommendation
Zhejiang University（浙江大学）；University of Technology Sydney（悉尼科技大学）
药物推荐是智能医疗系统的关键任务。以前的研究主要推荐使用电子健康记录（EHR）的药物。然而，在电子病历中，医生和患者之间的交互的一些细节可能被忽略或省略，这对于自动药物推荐是必不可少的。因此，我们首次尝试通过医生和患者之间的对话来推荐药物。在这项工作中，我们构建了DIALMED，这是第一个基于医疗对话的药物推荐任务的高质量数据集。它包含11，996个医学对话，涉及3个部门的16种常见疾病和70种相应的常见药物。提出了一种对话结构和疾病知识感知网络（DDN），设计了QA对话图机制对对话结构进行建模，并利用知识图谱引入外部疾病知识。大量的实验结果表明，该方法是一个很有前途的解决方案，推荐药物与医疗对话。数据集和代码可在https://github.com/f-window/DialMed上获得。
2022-09-15 cs.AI cs.CL
Visitors to urban greenspace have higher sentiment and lower negativity on Twitter
Gund Institute for Environment, University of Vermont（佛蒙特大学冈德环境研究所）；Vermont Complex Systems Center, University of Vermont（佛蒙特大学复杂系统中心）；Rubenstein School of Environment and Natural Resources, University of Vermont（佛蒙特大学鲁宾斯坦环境与自然资源学院）；Department of Mathematics and Statistics, University of Vermont（佛蒙特大学数学与统计系）
随着越来越多的人生活在城市，我们正在目睹接触自然的机会减少。越来越多的研究表明，接触大自然和改善情绪之间存在联系。在这里，我们使用Twitter和Hedonometer，一个世界分析工具，调查情绪，或人们写的话的估计幸福，在访问旧金山的城市公园系统之前，期间和之后的变化。我们发现，在公园参观期间，情绪明显较高，并在参观后的几个小时内保持高位。利用不同类型公园植被覆盖的差异，我们探讨了不同类型的户外公共空间如何有助于主观幸福感。在参观地区公园时，这些公园更绿，植被覆盖率更高，与参观市政广场和广场时的推文相比，推文的情绪增加幅度更大。最后，我们分析了词频，以探索理论上将自然暴露与精神和认知益处联系起来的几种机制。在参观城市公园的过程中，诸如“不”、“不”和“不要”等否定词的使用频率有所下降。这些结果可以被城市规划者和公共卫生官员用来更好地针对不断增长的城市人口的自然接触建议。
2019-08-27 cs.CL cs.CY cs.SI
Polarization by Default: Auditing Recommendation Bias in LLM-Based Content Curation
University of Zurich, Department of Informatics（苏黎世大学信息学院）；New York University, Department of Sociology（纽约大学社会学系）；University of Oxford, Department of Sociology（牛津大学社会学系）；Duke University, Department of Sociology, Computer Science, Political Science, and Public Policy（杜克大学社会学系、计算机科学、政治学和公共政策系）；University of Amsterdam, Institute for Logic, Language and Computation (ILLC)（阿姆斯特丹大学逻辑、语言与计算研究所（ILLC））
研究通过模拟实验揭示LLM在内容选择中的偏见差异，发现极化效应普遍存在，不同提示策略对偏见影响显著，且政治倾向偏见在Twitter/X上表现突出。
2026-04-17 cs.AI cs.CL cs.CY
