INSIGHT-1 at SemEval-2016 Task 4: Convolutional Neural Networks for Sentiment Classification and Quantification
Aylien Ltd.（Aylien有限公司）
本文描述了我们在Twitter中进行情感分析的基于深度学习的方法，作为SemEval-2016任务4的一部分。我们使用一个卷积神经网络来确定情绪并参与所有子任务，即两点，三点和五点尺度的情绪分类和两点和五点尺度的情绪量化。我们在两点尺度的情感分类和量化方面取得了有竞争力的结果，分别排名第五和第四（第三和第二的替代指标），尽管只使用了不包含情感信息的预训练嵌入。我们在三点尺度情感分类上取得了良好的性能，在35个中排名第八，而在五点尺度情感分类和量化上表现不佳。错误分析表明，这是由于模型捕捉负面情绪的表现力较低，以及无法考虑序数信息。我们提出改进建议，以解决这些问题和其他问题。
2016-09-09 cs.CL cs.LG
LIMSI_UPV at SemEval-2020 Task 9: Recurrent Convolutional Neural Network for Code-mixed Sentiment Analysis
LIMSI, CNRS, Université Paris-Saclay（LIMSI实验室，法国国家科学研究中心，巴黎-萨克雷大学）；Universitat Politècnica de València（瓦伦西亚理工大学）
本文介绍了LIMSI UPV团队参与SemEval-2020任务9：代码混合社交媒体文本的情感分析。所提出的方法在SentiMix印地语-英语子任务中竞争，该子任务解决了预测给定印地语-英语代码混合推文的情感的问题。我们提出了递归卷积神经网络，它结合了递归神经网络和卷积网络，以更好地捕捉文本的语义，代码混合的情感分析。所提出的系统在给定的测试数据上获得了0.69（最佳运行）的F1分数，并在SentiMix印地语-英语子任务中获得了第9名（Codalab用户名：somban）。
2020-08-30 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
Improving Aspect-based Sentiment Analysis with Gated Graph Convolutional Networks and Syntax-based Regulation
University of Oregon（俄勒冈大学）；Adobe Research（奥多比研究院）；VinAI Research（越南人工智能研究院）
基于语义的情感分析（ABSA）试图预测句子对特定方面的情感极性。最近，已经证明依赖树可以集成到深度学习模型中，以产生ABSA的最先进性能。然而，这些模型倾向于计算隐藏/表示向量而不考虑方面项，并且无法从可以从ABSA的依赖关系树获得的单词的整体上下文重要性得分中受益。在这项工作中，我们提出了一种新的基于图的深度学习模型，以克服这两个问题的ABSA先前的工作。在我们的模型中，门向量生成的方面条款的表示向量定制的隐藏向量的基于图的模型向方面条款。此外，我们提出了一种机制，以获得的依赖树的基础上，然后注入到模型中，以提高ABSA的表示向量的句子中的每个单词的重要性分数。该模型在三个基准数据集上实现了最先进的性能。
2020-10-26 cs.CL
Learn from Structural Scope: Improving Aspect-Level Sentiment Analysis with Hybrid Graph Convolutional Networks
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
情感层次的情感分析旨在确定句子中对特定目标的情感极性。该任务的主要挑战是有效地建模目标与情感之间的关系，以便从不相关的目标中过滤掉嘈杂的意见词。最近的努力捕获的关系，通过目标情感对或意见跨度从词级或短语级的角度来看。基于观察到目标和情感本质上是按照短语-小句-句子结构的语法层次建立关系的，希望利用全面的句法信息来更好地指导学习过程。因此，我们引入了范围的概念，它概述了一个结构化的文本区域相关的特定目标。为了联合学习结构范围和预测情感极性，提出了一种混合图卷积网络（HGCN）来综合选区树和依赖树的信息，探索了将两种语法分析方法结合起来以丰富表示的潜力。在四个公共数据集上的实验结果表明，我们的HGCN模型优于当前最先进的基线。
2022-04-27 cs.AI cs.CL
BERT-Based Combination of Convolutional and Recurrent Neural Network for Indonesian Sentiment Analysis
Universitas Indonesia（印度尼西亚大学）
情感分析是对文本中所表达的观点和情感的计算研究。深度学习是目前在各种应用领域中产生最先进技术的模型，包括情感分析。许多研究人员正在使用一种混合方法，该方法结合了不同的深度学习模型，并已被证明可以提高模型性能。在情感分析中，文本数据中的输入首先被转换成数值表示。用于获得文本表示的标准方法是微调嵌入方法。然而，这种方法并不关注句子中每个单词的上下文。因此，双向编码器表示从Transformer（BERT）模型被用来获得基于上下文和句子中的单词的位置的文本表示。这项研究扩展了以前的混合深度学习，使用BERT表示印度尼西亚情感分析。我们的模拟表明，BERT表示提高了所有混合架构的准确性。基于BERT的LSTM-CNN也比其他基于BERT的混合架构达到了更好的精度。
2022-11-10 cs.CL cs.LG
Aspect-Based Relational Sentiment Analysis Using a Stacked Neural Network Architecture
Bielefeld University（比勒费尔德大学）
情感分析可以被认为是一个关系抽取问题，其中需要提取一些意见持有者对产品、主题或事件的某个方面的情感。我们提出了一种新的神经结构的情感分析作为一个关系抽取问题，解决这个问题分为三个子任务：i）方面和意见条款的识别，ii）标签的意见条款与情感，和iii）提取意见条款和方面之间的关系。对于每一个子任务，我们提出了一个神经网络为基础的组件，并将它们组合成一个完整的系统的关系情感分析。用于方面和意见术语提取的组件是由堆叠在卷积神经网络之上的递归神经网络组成的混合架构。这种方法的性能优于标准卷积深度神经架构和递归网络架构，并且与其他方法相比，在两个带注释的客户评论数据集上具有竞争力。为了提取个人意见术语的情感，我们提出了一种结合词距离特征的递归架构，并取得了令人满意的结果，其准确率超过了大多数基线的18%，并为USAGE数据集提供了第一个结果。我们的关系抽取组件在方面意见关系抽取方面比当前最先进的组件性能高15%的F-Measure。
2017-09-19 cs.CL
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
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
A Deep Convolutional Neural Network-based Model for Aspect and Polarity Classification in Hausa Movie Reviews
Dept. of Computer Science Federal University Dutse（计算机科学系 费尔南多大学杜斯）
本文提出基于深度CNN与注意力机制的模型，用于豪萨语电影评论的方面提取和情感极性分类，并构建了首个豪萨语ABSA数据集，准确率分别达91%和92%，优于传统机器学习模型。
2024-05-29 cs.AI cs.CL
Entity-level Sentiment Analysis in Contact Center Telephone Conversations
Dialpad Canada Inc.（Dialpad加拿大公司）
语义级情感分析预测给定文本中提到的实体的情感。在业务环境中，了解用户对某些实体（如产品或公司）的情感非常有用。在本文中，我们演示了我们如何开发一个实体级的情感分析系统，分析英语电话交谈的成绩单在联络中心提供业务洞察力。我们提出了两种方法，一种完全基于基于transformer的DistilBERT模型，另一种使用卷积神经网络补充一些启发式规则。
2022-10-26 cs.CL
A Deep Convolutional Neural Networks Based Multi-Task Ensemble Model for Aspect and Polarity Classification in Persian Reviews
University of Tabriz（大不里士大学）；University of Allameh Tabataba’i（阿拉梅·塔巴塔巴伊大学）
提出基于深度卷积神经网络的多任务集成模型，同时检测波斯语评论中的方面类别及其极性，以减少流水线误差并提升情感分析效率。
2023-08-29 cs.CL
Investigating the Effect of Segmentation Methods on Neural Model based Sentiment Analysis on Informal Short Texts in Turkish
Middle East Technical University (METU)（中东技术大学）
本文研究了土耳其语非正式短文本的情感分析分割方法。分割和深度神经网络模型是所提出的工作的两个组成部分。分词主要是用不同的方法对文本进行预处理。这些方法分为四类：形态学方法、子词方法、标记化方法和混合方法。我们分析了这四种方法的几种变体。第二阶段集中于评估用于情感分析的神经模型。在文献中提出的用于情感分类的卷积神经网络（CNN）和递归神经网络（RNN）模型下评估每种分割方法的性能。
2019-02-18 cs.CL
A Deep Neural Architecture for Sentence-level Sentiment Classification in Twitter Social Networking
Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学）
本文介绍了一种新的深度学习框架，包括一个基于词典的方法，用于情感标签分布的预测级别。我们建议首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加单词级嵌入的信息。之后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生一个全域特征表示。我们在三个Twitter情感分类数据集上评估了我们的方法。实验结果表明，该模型可以提高Twitter社交网络中情感分析的分类准确率。
2017-06-25 cs.CL
RETUYT in TASS 2017: Sentiment Analysis for Spanish Tweets using SVM and CNN
Facultad de Ingeniería（工程学院）；Universidad de la República（共和国大学）
本文介绍了基于SVM和卷积神经网络（CNN）的分类器，用于TASS 2017年关于推文情感分析的挑战。具有最佳性能的分类器通常使用SVM和CNN的组合。词嵌入的使用对于提高分类器的性能特别有用。
2017-10-17 cs.CL
Sentiment Analysis in Poems in Misurata Sub-dialect -- A Sentiment Detection in an Arabic Sub-dialect
Montclair State University（蒙特克莱尔州立大学）
近几十年来，阿拉伯语自然语言处理的资源显著增加和发展。这包括探索阿拉伯语情感分析（ALSA）从阿拉伯语的话语在现代标准阿拉伯语（MSA）和不同的阿拉伯语方言的任务。本研究的重点是检测在米苏拉塔，利比亚的米苏拉塔阿拉伯语方言写的诗歌中的情感。用于从数据集中检测情感的工具是Sklearn和Mazajak sentiment tool 1。逻辑回归，随机森林，朴素贝叶斯（NB）和支持向量机（SVM）分类器与Sklearn一起使用，而卷积神经网络（CNN）则与Mazajak一起实现。结果表明，传统分类器的准确度高于Mazajak，后者是基于包含深度学习技术的算法构建的。更多的研究建议分析阿拉伯语次方言诗歌，以调查这些多行文本中的情感方面，例如，使用比喻语言，如隐喻。
2021-09-15 cs.CL
A Deeper Look into Sarcastic Tweets Using Deep Convolutional Neural Networks
Nanyang Technological University（南洋理工大学）
讽刺检测是许多自然语言处理任务的关键。例如，在情感分析中，讽刺可以翻转“明显积极”的句子的极性，并且因此负面地影响极性检测性能。到目前为止，大多数的讽刺检测方法主要是作为一个文本分类的问题。然而，讽刺可以以非常微妙的方式表达，并且需要对自然语言有更深入的理解，而这是标准文本分类技术无法掌握的。在这项工作中，我们开发了基于预训练的卷积神经网络的模型，用于提取用于讽刺检测的情感，情感和个性特征。这些特征，以及网络的基线特征，使所提出的模型在基准数据集上的表现优于现有技术。我们还解决了在学习阶段对模型未看到的数据进行分类的经常被忽视的泛化问题。
2017-07-27 cs.CL
Lexicon Integrated CNN Models with Attention for Sentiment Analysis
Emory University（埃默里大学）
随着词嵌入技术的出现，尽管词汇在传统环境中仍然提供重要的特征，但它们不再被充分用于情感分析。本文介绍了一种新的情感分析方法，它将词汇嵌入和注意力机制集成到卷积神经网络中。我们的方法执行单独的卷积词和词典嵌入，并提供了一个全局视图的文件使用注意。我们的模型在SemEval'16 Task 4数据集和斯坦福情感树库上进行了实验，并显示出与现有最先进系统相比具有可比性或更好的结果。我们的分析表明，词典嵌入允许构建高性能的模型与更小的词嵌入，和注意力机制有效地暗淡了嘈杂的话情感分析。
2017-08-22 cs.CL
Aspect-based Opinion Summarization with Convolutional Neural Networks
Fudan University（复旦大学）
本文考虑了基于AOS的特定产品评论的意见摘要。为了实现真正的应用程序，AOS系统需要解决两个核心子任务，方面提取和情感分类。现有的大多数方面提取方法，使用语言分析或主题建模，是通用的不同的产品，但不够精确或适合于特定的产品。相反，我们采用了一种不太一般但更精确的方案，直接将每个评论句子映射到预定义的方面。为了解决方面映射和情感分类，我们提出了两种基于卷积神经网络（CNN）的方法，级联CNN和多任务CNN。级联CNN包含两级卷积网络。第1级的多个CNN处理方面映射任务，第2级的单个CNN处理情感分类。多任务CNN也包含多方面CNN和情感CNN，但不同的网络共享相同的词嵌入。实验结果表明，级联和多任务CNN都大大优于基于SVM的方法。多任务CNN通常比级联CNN性能更好。
2015-11-30 cs.CL cs.IR cs.LG
Joint Aspect and Polarity Classification for Aspect-based Sentiment Analysis with End-to-End Neural Networks
MaibornWolff GmbH（MaibornWolff有限公司）
在这项工作中，我们提出了一个新的模型，基于方面的情感分析。与以前的方法相比，我们联合建模方面的检测和分类的极性在一个端到端的可训练神经网络。我们在最近的GermEval 2017数据集上使用不同的神经架构和单词表示进行实验。与管道方法相比，我们能够在所有设置中使用联合建模方法来显示相当大的性能增益。卷积神经网络和快速文本嵌入的组合超过了2017年共享任务的最佳提交，建立了一个新的最先进的水平。
2018-08-28 cs.CL
Improving Sentiment Analysis in Arabic Using Word Representation
Coventry University（考文垂大学）
阿拉伯语在词法、拼写和方言方面的复杂性使得阿拉伯语的情感分析更具挑战性。此外，为了衡量情绪，从tweet等短消息中提取文本特征提取，使这项任务更加困难。近年来，深度神经网络经常被采用，并在情感分类和自然语言处理应用中表现出非常好的效果。词嵌入或词分布方法是一种从上下文文本中捕获最接近的词的有效工具。在本文中，我们描述了我们如何构建Word 2 Vec模型从一个大型的阿拉伯语语料库，从十份报纸在不同的阿拉伯国家。通过应用不同的机器学习算法和具有不同文本特征选择的卷积神经网络，我们报告了我们公开可用的阿拉伯语健康情感数据集上情感分类的准确性提高（91%-95%）[1]
2018-03-30 cs.CL
RDGCN: Reinforced Dependency Graph Convolutional Network for Aspect-based Sentiment Analysis
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间安全学院）；University of Science and Technology of China（中国科学技术大学）；Department of Computer Science, University of Illinois Chicago（伊利诺伊大学芝加哥分校计算机科学系）
针对ABSA中句法依存利用不充分的问题，提出RDGCN模型，从距离和类型维度优化依存重要性计算，在三个数据集上优于现有GNN基线。
2023-11-08 cs.AI cs.CL
Learning Word Representations for Tunisian Sentiment Analysis
iCompass
突尼斯人在社交媒体上倾向于使用拉丁字母（突尼斯语）用当地方言表达自己。这对探索和认识网上意见的过程提出了额外的挑战。到目前为止，很少有工作已经解决了突尼斯情感分析由于稀缺的资源，用于培训自动化系统。在本文中，我们关注的是社交媒体上使用的突尼斯方言情感分析。以前的大多数工作都使用了机器学习技术与手工制作的功能相结合。最近，深度神经网络被广泛用于这项任务，特别是英语。在本文中，我们探讨了各种无监督的单词表示（word2vec，BERT）的重要性，我们研究了卷积神经网络和双向长短期记忆的使用。在不使用任何手工制作的功能的情况下，我们在两个公开数据集上的实验结果显示出与其他语言相当的性能。
2020-10-14 cs.CL
KinGDOM: Knowledge-Guided DOMain adaptation for sentiment analysis
Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；University of Michigan（密歇根大学）
跨域情感分析近年来受到了极大的关注，这是由于需要克服利用情感分析的不同应用之间的域差距。在本文中，我们采取了一个新的角度对这一任务，探索外部常识知识的作用。我们引入了一个新的框架，KinGDOM，它利用ConceptNet知识图谱丰富的文档的语义，提供特定领域和领域一般的背景概念。这些概念是通过训练图卷积自动编码器来学习的，该图卷积自动编码器以域不变的方式利用域间概念。用这些学到的概念来调节流行的领域对抗基线方法有助于提高其性能，从而证明我们提出的框架的有效性。
2020-05-11 cs.CL
Presence of informal language, such as emoticons, hashtags, and slang, impact the performance of sentiment analysis models on social media text?
University of Miskolc（米什科尔茨大学）
本研究旨在探讨表情符号和俚语等非正式语言的存在对社交媒体文本情感分析模型性能的影响。卷积神经网络（CNN）模型在三个数据集上被开发和训练：讽刺数据集、情感数据集和表情数据集。模型架构在所有实验中保持不变，模型在80%的数据上进行训练，并在20%的数据上进行测试。结果显示，该模型在讽刺数据集上的准确率为96.47%，其中类别1的准确率最低。在情感数据集上，该模型的准确率达到了95.28%。讽刺和情感数据集的融合将模型的准确率提高到95.1%，表情数据集的加入对模型的准确率有轻微的积极影响，达到95.37%。该研究表明，非正式语言的存在对应用于社交媒体文本的情感分析模型的性能具有有限的影响。然而，将表情数据包含到模型中可以稍微提高准确性。
2023-01-28 cs.CL
A Novel Deep Learning Method for Textual Sentiment Analysis
Kharazmi University（哈拉兹米大学）；K. N. Toosi University（卡·诺·图西大学）
情感分析被认为是自然语言处理领域中最重要的任务之一，卷积神经网络（CNN）是通常用于此目的的突出模型之一。虽然卷积神经网络近年来取得了显著的成果，但仍面临着一些局限性。首先，他们认为句子中的所有单词在句子意义表征中的贡献是相等的，并且不能提取信息词。其次，它们需要大量的训练数据来获得可观的结果，同时它们具有许多必须精确调整的参数。为此，提出了一种集成了分层注意层的卷积神经网络，它能够提取信息词并为其分配更高的权重。此外，迁移学习的效果，在源域中学习到的知识转移到目标域，以提高性能的目的也进行了探讨。实验结果表明，该模型不仅具有较高的分类准确率，而且能够提取信息词，而且采用增量式迁移学习可以显著提高分类性能。
2021-02-23 cs.AI cs.CL
Multi-View Attention Syntactic Enhanced Graph Convolutional Network for Aspect-based Sentiment Analysis
School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间科学与技术学院）；University of Shantou（汕头大学）；China Academic of Electronics and Information Technology（中国电子科技集团公司电子科学研究院）；Shijiazhuang Tiedao Univerisity（石家庄铁道大学）；Guizhou University（贵州大学）；Guangxi Normal University（广西师范大学）；Kunming University of Science and Technology（昆明理工大学）；Hangzhou Innovation Institute of Beihang University（北京航空航天大学杭州创新研究院）
本文提出多视图注意力句法增强图卷积网络（MASGCN），通过构建距离掩码矩阵获取多子图视图，并利用多视图注意力机制聚合特征，融合依存类型信息矩阵与结构熵损失，在四个基准数据集上优于现有方法，提升了方面级情感分析性能。
2025-01-27 cs.AI cs.CL
Exploiting Deep Learning for Persian Sentiment Analysis
University of Stirling（斯特林大学）；University Mediterranea of Reggio Calabria（雷焦卡拉布里亚地中海大学）；Glasgow Caledonian University（格拉斯哥卡利多尼安大学）
社交媒体的兴起使人们能够自由地表达他们对产品和服务的看法。情感分析的目的是自动确定对象的情感（例如，积极的、消极的或中性的）。深度学习最近已经成为一种强大的机器学习技术，以解决对准确情感分析的日益增长的需求。然而，将深度学习算法应用于英语以外的语言（如波斯语）的工作有限。在这项工作中，开发了两个深度学习模型（深度自动编码器和深度卷积神经网络（CNN）），并将其应用于一个新的波斯电影评论数据集。分析了所提出的深度学习模型，并与最新的基于浅层多层感知器（MLP）的机器学习模型进行了比较。仿真结果证明了深度学习在最先进的MLP上的增强性能。
2018-08-15 cs.CL
A SentiWordNet Strategy for Curriculum Learning in Sentiment Analysis
Language Technologies Research Center（语言技术研究中心）；Kohli Center on Intelligent Systems（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）
课程学习（CL）是指在一个训练集上进行学习，该训练集以从容易到困难的方式进行排序或排序，从而导致性能比其他随机排序有所提高。这一想法与认知科学关于人类大脑如何学习的理论相似，即通过将一项困难的任务描述为一系列从容易到困难的任务，可以使学习变得更容易。这个想法在机器学习和图像处理领域已经有一段时间了，最近在自然语言处理（NLP）领域也有了很大的发展。在本文中，我们应用的思想，课程学习，驱动的SentiWordNet在情感分析设置。在这种情况下，给定一个文本片段，我们的目标是提取它的情感或极性。SentiWordNet是一个带有情感极性注释的词汇资源。通过与其他课程策略和无课程的绩效比较，提出了所提出的策略的有效性。卷积，递归和基于注意力的架构被用来评估这种改进。这些模型在标准情感数据集Stanford Sentiment Treebank上进行评估。
2020-07-21 cs.CL
A Combined CNN and LSTM Model for Arabic Sentiment Analysis
Coventry University（考文垂大学）
深度神经网络在处理来自广泛应用领域的具有挑战性的大型数据集时表现出良好的数据建模能力。卷积神经网络（CNN）在选择好的特征方面具有优势，而长短期记忆（LSTM）网络已被证明具有良好的学习序列数据的能力。据报道，这两种方法都在图像处理、话音识别、语言翻译和其他自然语言处理（NLP）任务等领域提供了改进的结果。Twitter短文本信息的情感分类是一项具有挑战性的任务，而阿拉伯语情感分类任务的复杂性增加，因为阿拉伯语是一种形态丰富的语言。此外，阿拉伯语准确的预处理工具的可用性是目前的另一个限制，以及该领域的研究有限。在本文中，我们研究了集成CNN和LSTM的好处，并报告了在不同数据集上提高阿拉伯语情感分析准确性的方法。此外，我们试图考虑形态的多样性，特定的阿拉伯语单词使用不同的情感分类水平。
2018-07-22 cs.CL
Do Convolutional Networks need to be Deep for Text Classification ?
LORIA（洛林计算机科学及其应用实验室）；SESAMm（SESAMm公司）
在这项工作中，我们研究了深度在文本分类卷积模型中的重要性，无论是考虑字符还是单词输入。我们在5个标准的文本分类和情感分析任务上表明，当文本输入表示为字符序列时，深度模型确实比浅层网络提供了更好的性能。然而，一个简单的浅而宽的网络比深度模型（如DenseNet）更好。我们的浅词模型进一步在两个数据集上建立了新的最先进的性能：Yelp Binary（95.9%）和Yelp Full（64.9%）。
2017-07-13 cs.CL
A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis
Beijing Jiaotong University（北京交通大学）；Pattern Recognition Center, WeChat AI, Tencent Inc（腾讯公司微信人工智能模式识别中心）
基于体的情感分析（aspect-based sentiment analysis，ABSA）是一个长期存在的挑战，其目标是提取体词并识别其情感倾向，但在以往的方法中，句子的显式句法结构通常被忽略或建模不足，而显式句法结构反映了自然语言的句法特性，因此对体词提取和情感识别至关重要。因此，在本文中，我们提出了一种新的依赖句法知识增强交互式架构与多任务学习的端到端ABSA。该模型能够充分利用句法知识（依赖关系和类型），利用一个精心设计的依赖关系嵌入图卷积网络（DreGcn）。此外，我们设计了一个简单而有效的消息传递机制，以确保我们的模型从多任务学习框架中的多个相关任务中学习。在三个基准数据集上的大量实验结果证明了我们的方法的有效性，它显着优于现有的最先进的方法。此外，我们使用BERT作为一个额外的特征提取器，实现了进一步的改进。
2020-04-04 cs.CL
Sentiment-Aware Recommendation System for Healthcare using Social Media
Indian Institute of Technology Patna（印度理工学院巴特那分校）
在过去的十年中，健康社区（称为论坛）已经发展成为越来越多的用户分享他们的医疗经验的平台，从而寻求指导并与社区的人们互动。共享的内容虽然本质上是非正式和非结构化的，但包含有价值的医疗和/或健康相关信息，并且可以被利用来向普通人产生结构化的建议。在本文中，首先，我们提出了一个堆栈深度学习模型的情感分析从医学论坛数据。堆叠模型包括卷积神经网络（CNN），然后是长短期记忆（LSTM），然后是另一个CNN。对于一个被分类为积极情绪的博客，我们检索前n个相似的帖子。此后，我们开发了一个概率模型，用于为特定疾病或健康状况提出合适的治疗或程序。我们相信，医疗情感和建议的集成将有利于用户找到关于药物和医疗状况的相关内容，而不必手动浏览大量的非结构化内容。
2019-09-18 cs.CL
PRFashion24: A Dataset for Sentiment Analysis of Fashion Products Reviews in Persian
Alzahra University（阿尔扎赫拉大学）
本研究构建了包含767,272条波斯语评论的PRFashion24数据集，利用LSTM和BiLSTM-CNN模型分析时尚购物情感，分别达到81.23%和82.89%的准确率，并公开模型与数据。
2024-05-28 cs.CL
NLP-CIC at SemEval-2020 Task 9: Analysing sentiment in code-switching language using a simple deep-learning classifier
CIC, Instituto Politécnico Nacional（墨西哥国立理工学院计算机研究中心）
语码转换是指在同一信息中使用两种或两种以上语言的现象。如今，在社交媒体中发现语言混合的消息是很常见的。这种现象对情感分析提出了挑战。在本文中，我们使用标准的卷积神经网络模型来预测西班牙语和英语混合语言的推文的情绪。我们的简单方法在竞争测试集上获得了0.71的F1分数。我们分析了我们最好的模型能力，并进行错误分析，以暴露在代码切换设置中分类情感的重要困难。
2020-09-07 cs.AI cs.CL
A Precisely Xtreme-Multi Channel Hybrid Approach For Roman Urdu Sentiment Analysis
为了加速罗马乌尔都语的各种自然语言处理任务的性能，本文首次提供了3个神经词嵌入，使用最广泛使用的方法，即Word2vec，FastText和Glove。使用内在和外在评估方法评估生成的神经词嵌入的完整性。考虑到缺乏公开可用的基准数据集，它提供了有史以来第一个罗马乌尔都语数据集，其中包括3241个针对积极，消极和中性类别的情感注释。为了在所呈现的数据集上提供基准基线性能，我们采用了不同的机器学习（支持向量机逻辑回归，朴素贝叶斯），深度学习（卷积神经网络，递归神经网络）和混合方法。生成的神经词嵌入的有效性通过比较机器和基于深度学习的方法分别使用7种和5种不同的特征表示方法的性能来评估。最后，它提出了一种新的精确极端多通道混合方法，其性能优于最先进的自适应机器和深度学习方法，在F1分数方面分别为9%和4%。罗马乌尔都语情感分析，罗马乌尔都语预训练词嵌入，Word2Vec，手套，快速文本
2020-03-11 cs.CL
Adversarial Capsule Networks for Romanian Satire Detection and Sentiment Analysis
University Politehnica of Bucharest（布加勒斯特理工大学）；National Institute for Research and Development in Informatics - ICI Bucharest（布加勒斯特国家信息学研发院）
针对罗马尼亚语NLP资源不足的问题，本研究结合对抗训练与胶囊网络改进经典NLP模型，用于讽刺检测与情感分析，准确率最高达99.08%，优于现有方法。
2023-06-13 cs.CL
Benchmarking Multimodal Sentiment Analysis
School of Computer Science and Engineering, NTU（南洋理工大学计算机科学与工程学院）；School of Natural Sciences, University of Stirling（斯特灵大学自然科学学院）；Temasek Laboratories, NTU（南洋理工大学淡马锡实验室）；National Institute of Technology, Warangal（瓦朗加尔国立理工学院）
我们提出了一个多模态情感分析和情感识别的框架，使用基于卷积神经网络的特征提取从文本和视觉模态。我们通过结合视觉，文本和音频功能，获得了10%的性能改进。我们还讨论了在多模态情感分析研究中经常被忽视的一些主要问题：说话人独立模型的作用，模态的重要性和可推广性。因此，该文件作为一个新的基准，进一步研究多模态情感分析，也展示了不同方面的分析，同时考虑执行这些任务。
2017-07-29 cs.CL cs.MM
Sequential Domain Adaptation through Elastic Weight Consolidation for Sentiment Analysis
Samsung R&D Institute India - Bangalore（三星印度研发中心-班加罗尔）
弹性权重合并（Elastic Weight Consolidation，EWC）是一种用于克服在神经网络上训练的连续任务之间的灾难性遗忘的技术。我们利用任务之间的信息共享现象进行领域自适应。用于诸如情感分析（SA）之类的任务的训练数据可能不能跨多个域公平地表示。领域自适应（DA）旨在构建利用来自源域的信息来促进在看不见的目标域上的性能的算法。我们提出了一个模型无关的框架-顺序领域自适应（SDA）。SDA利用EWC在连续的源域上进行训练，以向通用域解决方案移动，从而解决领域自适应的问题。我们在卷积、递归和基于注意力的架构上测试SDA。我们的实验表明，所提出的框架使简单的架构，如CNN，以优于复杂的国家的最先进的模型在SA的领域自适应。此外，我们观察到，更难的第一反课程排序的源域的有效性，导致最大的性能。
2020-07-19 cs.CL
NileTMRG at SemEval-2017 Task 4: Arabic Sentiment Analysis
Center for Informatics Sciences Nile University（尼罗河大学信息科学中心）；Faculty of Computers and Information, Cairo University（开罗大学计算机与信息学院）
本文描述了作者用于解决阿拉伯语情感分析的两个系统，作为SemEval-2017任务4的一部分。作者参与了三个阿拉伯语相关的子任务，即：子任务A（消息极性分类），子任务B（基于主题的消息极性分类）和子任务D（推文量化），使用团队名称NileTMRG。对于子任务A，我们使用了我们以前开发的情感分析器，我们增加了一个得分词典。对于子任务B和D，我们使用了三个不同分类器的集成。第一个分类器是一个卷积神经网络，我们为它训练了（word 2 vec）词嵌入。第二个分类器由多层感知器组成，而第三个分类器是Logistic回归模型，其采用与第二个分类器相同的输入。三个分类器之间的投票被用来确定最终结果。对任务B的输出进行量化，以产生任务D的结果。在NileTMRG参与的所有三项与阿拉伯语相关的任务中，该团队均排名第一。
2017-10-23 cs.CL
A Sentiment Analysis of Medical Text Based on Deep Learning
College of Big Data and Software（大数据与软件学院）；Chongqing University（重庆大学）
本文针对医学文本数据不足及模型设计影响情感分析效果的问题，以 BERT 为基础并结合 CNN、FCN、GCN 在 METS-CoV 上实验，发现小数据集场景下 CNN 效果最佳。
2024-04-16 cs.AI cs.CL
BB_twtr at SemEval-2017 Task 4: Twitter Sentiment Analysis with CNNs and LSTMs
Bloomberg（彭博）
在本文中，我们描述了我们尝试使用卷积神经网络（CNN）和长短期记忆（LSTMs）网络来产生最先进的Twitter情感分类器。我们的系统利用大量未标记的数据来预训练词嵌入。然后，我们使用未标记数据的子集来使用远程监督微调嵌入。最终的CNN和LSTM在SemEval-2017 Twitter数据集上进行训练，其中嵌入再次进行了微调。为了提高性能，我们将几个CNN和LSTM集成在一起。我们的方法在40个团队中获得了所有五个英语子任务的第一名。
2017-04-20 cs.CL stat.ML
BAKSA at SemEval-2020 Task 9: Bolstering CNN with Self-Attention for Sentiment Analysis of Code Mixed Text
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
代码混合文本的情感分析在意见挖掘中有着广泛的应用，从标记用户评论到识别子人群的社会或政治情感。在本文中，我们提出了一种卷积神经网络（CNN）和基于自注意力的LSTM的集成架构，用于代码混合推文的情感分析。虽然CNN组件有助于对正面和负面推文进行分类，但基于自我注意力的LSTM有助于对中性推文进行分类，因为它能够在多个情感承载单元中识别正确的情感。我们在印地语-英语（Hinglish）和西班牙语-英语（Spanglish）数据集上分别获得了0.707（排名第5）和0.725（排名第13）的F1分数。Hinglish和Spanglish任务的提交分别以用户名ayushk和harsh_6进行。
2020-07-21 cs.CL cs.LG
Sarcasm Detection Using Deep Convolutional Neural Networks: A Modular Deep Learning Framework
Dr. Vishwanath Karad MIT World Peace University, Pune（维什万纳特·卡拉德博士 MIT 世界和平大学）
本文提出一种结合DCNNs和BERT的模块化深度学习框架，通过多层架构整合情感分析、上下文嵌入、语言特征提取与情绪检测，以解决文本中缺乏语气和肢体语言的讽刺检测问题。
2025-10-12 cs.CL
Constructing Colloquial Dataset for Persian Sentiment Analysis of Social Microblogs
Faculty member in ICT Research Institute（ICT研究所教员）；Iran Telecommunication Research Center (ITRC)（伊朗电信研究中心）；Faculty member in Computer Department（计算机系教员）；Mehralborz University（梅赫拉布尔兹大学）；Hazrat-e Masoumeh University（玛苏姆大学）
本文构建了波斯语口语数据集并提出基于CNN的模型，提升社交媒体微博客口语文本的情感分析性能，实验结果显示72%的准确率。
2024-03-07 cs.CL
AC-BLSTM: Asymmetric Convolutional Bidirectional LSTM Networks for Text Classification
Sun Yat-sen University（中山大学）
最近，深度学习模型已经被证明能够在句子和文档分类任务中取得显着的性能。在这项工作中，我们提出了一个新的框架称为AC-BLSTM建模的句子和文档，它结合了非对称卷积神经网络（ACNN）与双向长短期记忆网络（BLSTM）。实验结果表明，该模型在情感分析、问题类型分类和主观性分类等五个任务上均取得了较好的效果。为了进一步提高AC-BLSTM的性能，本文将生成模型与AC-BLSTM相结合，提出了一种用于文本分类的半监督学习框架G-AC-BLSTM。
2017-06-05 cs.CL
Benchmarking ChatGPT and DeepSeek in April 2025: A Novel Dual Perspective Sentiment Analysis Using Lexicon-Based and Deep Learning Approaches
Middle Technical University（中央技术大学）；University of Tabriz（大不里士大学）
本研究提出结合词典与深度学习（CNN、Bi-LSTM）的双视角方法，分析Google Play上ChatGPT与DeepSeek的4,000条用户评论，发现ChatGPT情感更积极，CNN准确率达96.41%，为LLM应用情感分析设立新标准。
2025-09-16 cs.CL
INSIGHT-1 at SemEval-2016 Task 5: Deep Learning for Multilingual Aspect-based Sentiment Analysis
Insight Centre for Data Analytics（数据洞察中心）；National University of Ireland, Galway（爱尔兰国立大学戈尔韦分校）；Aylien Ltd.（Aylien有限公司）
本文描述了我们基于深度学习的多语言基于方面的情感分析方法，作为SemEval 2016任务5的一部分。我们使用卷积神经网络（CNN）进行方面提取和基于方面的情感分析。我们铸造方面提取作为一个多标签分类问题，输出概率方面参数化的阈值。为了确定对一个方面的情感，我们将一个方面向量与每个词嵌入连接起来，并对其应用卷积。（英语不受限制）在所有语言和领域都取得了竞争性的结果，分别在11个语言-领域对中的5个和7个方面类别检测（插槽1）和情感极性（插槽3）中排名第一或第二，从而证明了用于多语言基于方面的情感分析的基于深度学习的方法的可行性。
2016-09-22 cs.CL cs.LG
Text Classification based on Multiple Block Convolutional Highways
University of Waterloo（滑铁卢大学）；University of Tehran（德黑兰大学）
在情感分析、主观/客观分析和意见极性等文本分类领域，卷积神经网络因其性能和准确性而受到特别关注。在这项工作中，我们应用了CNN的最新进展，并提出了一种新的架构，多块卷积高速公路（MBCH），与以前的架构相比，它在多个流行的基准数据集上实现了更高的精度。MBCH基于新的技术和架构，包括高速公路网络、DenseNet、批量归一化和瓶颈层。此外，为了应对用作CNN输入的现有预训练词向量的局限性，我们提出了一种新方法，即改进的词向量（IWV）。IWV提高了用于文本分类任务的CNN的准确性。
2018-07-23 cs.CL
Arabic aspect based sentiment analysis using bidirectional GRU based models
Assiut university（艾斯尤特大学）
基于语义的情感分析（ABSA）完成了细粒度的分析，定义了给定文档或句子的各个方面以及关于每个方面所传达的情感。这一层次的分析是最详细的版本，能够探索审查的细微差别的观点。ABSA的大部分学习集中在英语上，很少有阿拉伯语的工作。大多数以前的阿拉伯语工作都是基于常规的机器学习方法，主要依赖于一组稀有的资源和工具来分析和处理阿拉伯语内容，如词典，但缺乏这些资源带来了另一个挑战。为了解决这些挑战，提出了基于深度学习（DL）的方法，其使用基于ABSA的门控递归单元（GRU）神经网络的两个模型。第一种是DL模型，其通过组合双向GRU、卷积神经网络（CNN）和条件随机场（CRF）来利用单词和字符表示，从而构成（BGRU-CNN-CRF）模型以提取主要意见方面（OTE）。第二种是基于双向GRU（IAN-BGRU）的交互式注意力网络，以识别对提取的方面的情感极性。我们使用基准阿拉伯语酒店评论数据集评估了我们的模型。结果表明，所提出的方法是优于基线研究的两个任务有39.7%的增强F1分数的意见目标提取（T2）和7.58%的准确性方面为基础的情感极性分类（T3）。T2的F1评分为70.67%，T3的准确率为83.98%。
2021-10-06 cs.CL
Triple GNNs: Introducing Syntactic and Semantic Information for Conversational Aspect-Based Quadruple Sentiment Analysis
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；The National Computer Network Emergency Response Technical Team/Coordination Center of China（国家计算机网络应急技术处理协调中心）
本文提出Triple GNNs网络，结合GCN建模话语内句法依赖和DualGATs建模话语间语义交互，显著提升对话式四元组情感分析性能。
2024-03-15 cs.CL
Supervised Sentiment Classification with CNNs for Diverse SE Datasets
University of Waterloo（滑铁卢大学）
情感分析是一种流行的意见挖掘技术，已被软件工程研究社区用于评估应用评论、问题跟踪器中的开发人员情绪以及开发人员对API的意见等任务。过去的研究表明，最先进的情感分析技术在SE数据上的性能较差。这是因为情感分析工具通常被设计用于非技术文档，如电影评论。在这项研究中，我们试图通过提出一种基于卷积神经网络（CNN）和在预训练词向量之上训练的长短期记忆（LSTM）的分层模型来解决现有SE文本情感分析技术的问题。我们通过在五个黄金标准数据集上与一些常用的情感分析工具进行比较，评估了我们模型的性能和可靠性。我们的结果表明，我们的模型在准确性方面进一步推动了所有数据集的最新技术水平。我们还表明，在标记数据集的小样本并重新训练我们的模型后，而不是使用无监督分类器，可以获得更好的准确性。
2018-12-23 cs.CL cs.SE
Deep Learning for Digital Text Analytics: Sentiment Analysis
Arnekt Solutions Pvt. Ltd.（阿内克特解决方案私人有限公司）
在今天的情况下，想象一个没有负面情绪的世界是非常不现实的，因为坏消息比好消息传播得更快。虽然这在现实生活中似乎不切实际，但这可以通过使用机器学习和自然语言处理技术来构建一个系统来实现，该系统识别具有负面阴影的新闻数据，并通过仅将具有正面阴影的新闻（好消息）带给最终用户来过滤它们。在这项工作中，使用基于规则和数据驱动的方法相结合，对大约两万个数据进行了训练和测试。VADER与过滤方法一起被用作注释工具，然后是使用文档术语矩阵（表示）和支持向量机（分类）的统计机器学习方法。然后，深度学习算法开始发挥作用，使这个系统变得可靠（Doc2Vec），最终得到了卷积神经网络（CNN），它产生了比其他实验模块更好的结果。训练准确率达到96%，测试准确率（国内外新闻数据）达到85%以上。
2018-04-10 cs.CL
Parameterized Convolutional Neural Networks for Aspect Level Sentiment Classification
Carnegie Mellon University（卡内基梅隆大学）
我们介绍了一种新的参数化卷积神经网络的方面水平的情感分类。使用参数化滤波器和参数化门，我们将方面的信息到卷积神经网络（CNN）。实验表明，我们的参数化过滤器和参数化门有效地捕捉特定于方面的功能，我们的基于CNN的模型在SemEval 2014数据集上取得了优异的结果。
2019-09-13 cs.CL
