Emotion-Enhanced Multi-Task Learning with LLMs for Aspect Category Sentiment Analysis
School of Data Science, Lingnan University, Hong Kong（数据科学学院，岭南大学，香港）
本文提出一种情感增强的多任务学习框架，通过整合Ekman基本情感和VAD模型，提升方面类别情感分析的细粒度情感捕捉能力。
2025-11-24 cs.CL
XED: A Multilingual Dataset for Sentiment Analysis and Emotion Detection
University of Helsinki（赫尔辛基大学）
我们介绍了XED，一个多语言的细粒度情感数据集。该数据集包括人类注释的芬兰语（25k）和英语句子（30k），以及30种其他语言的预测注释，为许多低资源语言提供了新的资源。我们使用Plutchik的核心情感来注释数据集，并添加中性来创建多标签多类数据集。该数据集使用特定语言的BERT模型和SVM进行了仔细评估，以表明XED与其他类似数据集的性能相当，因此是情感分析和情感检测的有用工具。
2020-11-06 cs.CL
A Multi-task Ensemble Framework for Emotion, Sentiment and Intensity Prediction
Indian Institute of Technology Patna（印度理工学院巴特那分校）；Kyoto University（京都大学）
本文在多任务集成框架下研究了情绪和情感分析的三个问题，即“情绪分类与强度”、“情绪的效价、唤醒度与优势度”和“情绪的效价与唤醒度”。底层问题涵盖两种粒度（即粗粒度和细粒度）和各种域（即tweets，Facebook帖子，新闻标题，博客，信件等）。集成模型旨在利用三种深度学习模型（即CNN，LSTM和GRU）的学习表示和手工制作的预测特征表示。基准数据集上的实验结果表明，我们提出的多任务集成框架的有效性。对于大多数问题和领域，我们在单任务系统上平均获得了2-3点的性能改进。
2018-10-15 cs.CL
Tracking Sentiment in Mail: How Genders Differ on Emotional Axes
Institute for Information Technology, National Research Council Canada（加拿大国家研究委员会信息技术研究所）；School of Computing Science, Simon Fraser University（西蒙弗雷泽大学计算机科学学院）
随着电子邮件的广泛使用，我们现在可以访问我们自己写的前所未有的大量文本。在本文中，我们将展示如何将情感分析与有效的可视化相结合，以量化和跟踪多种类型邮件中的情感。我们通过众包创建了一个很大的词--情感联想词典，并用它来比较情书，仇恨邮件和自杀笔记中的情感。我们发现，有显着的性别差异，他们如何使用情感词在工作场所的电子邮件。例如，女性使用许多来自喜悦-悲伤轴的词汇，而男性则更喜欢来自恐惧-信任轴的词汇。最后，我们展示了可以帮助人们在电子邮件中跟踪情绪的可视化。
2013-09-24 cs.CL
A Survey on Sentiment and Emotion Analysis for Computational Literary Studies
Institut für Maschinelle Sprachverarbeitung（机器语言处理研究所）；University of Stuttgart（斯图加特大学）
情感是令人信服的叙事的重要组成部分：文学告诉我们人们的目标，欲望，激情和意图。情感分析是情感分析的一个分支，在文学研究中受到越来越多的关注。以往对文学情感维度的研究主要是在文学解释学的语境中进行的。然而，随着被称为数字人文（DH）的研究领域的出现，一些在文学背景下的情感研究已经采取了计算转向。鉴于DH仍在作为一个领域形成的事实，这一研究方向可以相对较新。在这项调查中，我们提供了一个概述现有的机构的研究情绪分析应用于文学。正在审查的研究涉及各种主题，包括跟踪情节发展的戏剧性变化，文学文本的网络分析，以及理解文本的情感等主题。
2022-07-11 cs.CL
Emotions are Subtle: Learning Sentiment Based Text Representations Using Contrastive Learning
Carnegie Mellon University（卡内基梅隆大学）；University of California（加利福尼亚大学）
对比学习技术作为一种扩充数据集的手段已经广泛应用于计算机视觉领域。在本文中，我们将这些对比学习嵌入的使用扩展到情感分析任务，并证明了对这些嵌入的微调提供了对基于BERT的嵌入的微调的改进，以在DynaSent数据集上评估时实现情感分析任务的更高基准。我们还探索了我们的微调模型在跨域基准数据集上的表现。此外，我们还探索了上采样技术，以实现更平衡的类分布，从而进一步改进我们的基准测试任务。
2021-12-02 cs.CL
Tracking Emotional Dynamics in Chat Conversations: A Hybrid Approach using DistilBERT and Emoji Sentiment Analysis
Kazakh-British Technical University（哈萨克英国技术大学）；School of Information Technology and Engineering（信息技术与工程学院）
本文提出结合DistilBERT文本情绪检测与表情符号情感分析的混合方法，用于实时追踪聊天对话中的情绪动态，并在Twitter数据集上验证其优于SVM、Random Forest和AdaBoost的性能。
2024-08-03 cs.CL
Tracing Intricate Cues in Dialogue: Joint Graph Structure and Sentiment Dynamics for Multimodal Emotion Recognition
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；Institute of Artificial Intelligence, Huazhong University of Science and Technology（华中科技大学人工智能研究院）；Hubei Key Laboratory of Brain-Inspired Intelligent Systems, Huazhong University of Science and Technology（华中科技大学脑启发智能系统省重点实验室）；Key Laboratory of Image Processing and Intelligent Control (Huazhong University of Science and Technology), Ministry of Education（图像处理与智能控制重点实验室（华中科技大学））
提出GraphSmile方法，通过GSF模块交替吸收跨模态和模态内情感依赖避免融合冲突，并利用SDP辅助任务捕捉情感动态，显著提升了多模态情感识别与分析任务的性能。
2025-06-29 cs.CL
Frustratingly Easy Sentiment Analysis of Text Streams: Generating High-Quality Emotion Arcs Using Emotion Lexicons
University of Alberta（阿尔伯塔大学）；National Research Council Canada（加拿大国家研究委员会）
自动生成的情感弧线--捕捉个人或群体随着时间的推移的感受--广泛用于工业和研究。然而，有很少的工作，评估所产生的弧。这在一定程度上是由于建立真正的（黄金）情感弧的困难。我们的工作，第一次，系统和定量评估自动生成的情感弧。我们还比较了生成情感弧的两种常见方法：机器学习（ML）模型和仅词汇（LexO）方法。利用大量不同的数据集，我们系统地研究了情感词典的质量与可以由其生成的情感弧的质量之间的关系，我们还研究了实例级情感检测系统的质量与情感弧的质量之间的关系。（比如说从ML模型）和可以用它生成的情感弧的质量。我们表明，尽管在实例级别上明显较差，LexO方法通过聚合来自数百个实例的信息，在生成情感弧方面非常准确。这对商业开发以及心理学、公共卫生、数字人文等领域的研究具有广泛的影响，这些领域重视简单的可解释方法，而不需要特定领域的训练数据、编程专业知识和高碳足迹模型。
2022-10-13 cs.CL
Developing a concept-level knowledge base for sentiment analysis in Singlish
Nanyang Technology University（南洋理工大学）
在本文中，我们提出了新加坡式英语情感词典，一个概念级的知识库，情感分析，关联多词表达的一组情感标签和极性值。与许多其他情感分析资源不同，该词典不是通过手动标记来自WordNet或DBPedia等一般NLP资源的知识片段来构建的。相反，它是通过应用图挖掘和多维缩放技术从三个不同的来源收集的情感常识知识自动构建的。这种知识冗余表示在三个层次：语义网络，矩阵，向量空间。随后，通过扩散激活、神经网络和情感分类模型的集成应用，对概念进行情感和极性标记。
2017-07-14 cs.CL
Leveraging Sentiment Analysis Knowledge to Solve Emotion Detection Tasks
Polytechnique Montréal（蒙特利尔理工学院）；Airudi（Airudi公司）
识别和理解文本中潜在的情感或情绪是多个自然语言处理应用的关键组成部分。虽然简单的极性情感分析是一个很好的研究课题，但在仅使用文本数据识别更复杂、更细粒度的情感方面取得的进展较少。在本文中，我们提出了一个基于转换器的模型与适配器层的融合，利用更简单的情感分析任务的知识，以改善大规模数据集上的情感检测任务，如CMU-MOSEI，只使用文本模态。结果表明，我们提出的方法是有竞争力的其他方法。即使只使用文本模态，我们也在CMU-MOSEI上获得了最先进的情感识别结果。
2021-11-05 cs.CL cs.LG
The MuSe 2021 Multimodal Sentiment Analysis Challenge: Sentiment, Emotion, Physiological-Emotion, and Stress
University of Augsburg（奥格斯堡大学）；University of Ulm（乌尔姆大学）；Nanyang Technological University（南洋理工大学）；University of Oulu（奥卢大学）；Imperial College London（帝国理工学院）
多模态情感分析（MuSe）2021是一项挑战，通过更全面地整合视听、语言和生物信号模态，专注于情感和情绪的任务，以及生理情绪和基于情绪的压力识别。MuSe 2021的目的是汇集来自不同学科的社区;主要是视听情感识别社区（基于信号），情感分析社区（基于符号）和健康信息学社区。我们提出了四个不同的子挑战：MuSe-Wilder和MuSe-Stress，专注于持续的情绪（效价和唤醒）预测; MuSe-Sent，参与者识别五个类别的效价和唤醒;和MuSe-Physio，其中“生理情绪”的新方面将被预测。在今年的挑战中，我们利用MuSe-CaR数据集，专注于用户生成的评论，并引入Ulm-TSST数据集，该数据集显示了处于紧张状态的人。本文还详细介绍了从这些数据集中提取的最先进的特征集，供我们的基线模型长短期记忆-递归神经网络使用。对于每个子挑战，为参与者设置了竞争基线;即，在测试中，我们报告MuSe-Wilder的一致性相关系数（CCC）为.4616 CCC; MuSe-Stress为.4717 CCC，MuSe-Physio为.4606 CCC。MuSe-Sent的F1评分为32.82%。
2021-10-22 cs.AI cs.CL
Quantifying Emotional Tone in Tolkien's The Hobbit: Dialogue Sentiment Analysis with RegEx, NRC-VAD, and Python
Department of Language Technologies and Digital Humanities（语言技术与数字人文系）；University of Turin（都灵大学）
本研究利用正则表达式、NRC-VAD和Python分析《霍比特人》对话的情感语调，揭示其积极且冷静的基调及逐渐增强的主导性。
2025-12-11 cs.CL
Context is Important in Depressive Language: A Study of the Interaction Between the Sentiments and Linguistic Markers in Reddit Discussions
Institute of Computer Science, University of Tartu（塔尔图大学计算机科学研究所）
本研究基于Reddit数据发现，抑郁个体的情感表达受讨论主题语境影响，其积极与消极情感均高于对照组，且语言标记与情感的关系随语境变化，凸显了语境分析在抑郁语言研究中的重要性。
2024-07-03 cs.CL
REFLECT: Role-Aware Detection of Sentiment, Emotion, Politeness, and Formality
University of Florida（佛罗里达大学）
该研究提出角色感知Transformer架构REFLECT，将SEPF维度映射到SRL配置并融入自注意力，在情绪、礼貌、正式度检测上优于BERT基线，还提升了真实数据的预测性能与可追溯性。
2026-10-12 cs.CL
The Manifold of Human Emotions
Georgia Institute of Technology（佐治亚理工学院）
情感分析预测文本文档中积极或消极情感的存在。在本文中，我们考虑高维扩展的情感概念，这代表了一个更丰富的人类情感。我们的方法超越了以前的工作，因为我们的模型包含一个连续的流形，而不是一组有限的人类情感。我们研究了由此产生的模型，将其与心理学观察进行比较，并探索其预测能力。
2013-01-15 cs.CL
Evaluating Emotion Arcs Across Languages: Bridging the Global Divide in Sentiment Analysis
University of Alberta（阿尔伯塔大学）；National Research Council Canada（加拿大国家研究委员会）；LMU Munich（慕尼黑大学）
本研究首次系统性定量评估自动生成的情感弧，对比机器学习与纯词典方法，通过多语言多数据集实验证明纯词典方法聚合多实例可生成准确情感弧，且英语词典自动翻译能为资源匮乏语言生成高质量情感弧，助力全球多语言情感研究。
2023-11-04 cs.CL
NepEMO: A Multi-Label Emotion and Sentiment Analysis on Nepali Reddit with Linguistic Insights and Temporal Trends
Department of Computer Science and Application（计算机科学与应用系）；Mechi Multiple Campus, Tribhuvan University（特里布文大学梅奇多校园）；School of Computer Science（计算机科学学院）；Queensland University of Technology（昆士兰理工大学）；Department of Electronics and Computer Engineering（电子与计算机工程系）；Advanced College of Engineering and Management, Tribhuvan University（特里布文大学先进工程与管理学院）；School of Engineering and Technology（工程与技术学院）
NepEMO数据集通过多标签情绪和情感分析，结合语言洞察与时间趋势，提升尼泊尔Reddit帖子的情感识别能力。
2025-12-28 cs.CL
Emotions are Universal: Learning Sentiment Based Representations of Resource-Poor Languages using Siamese Networks
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术研究所）
针对情感分析对资源的依赖问题，提出基于孪生网络的SNASA模型，通过联合训练高低资源语言在公共情感空间学习表示，在多语言数据集上性能优于现有方法。
2018-04-03 cs.CL
Towards a science of human stories: using sentiment analysis and emotional arcs to understand the building blocks of complex social systems
The University of Vermont（佛蒙特大学）
鉴于情感测量工具的种类越来越多，必须了解情感词典的哪些方面有助于其分类准确性和提供更丰富的文本理解的能力。在这里，我们进行详细的，定量测试和定性评估的6个基于字典的方法，并简要地检查了另外20种方法。我们发现，虽然不适合的句子，基于字典的方法通常是强大的分类精度较长的文本。故事通常遵循不同的情感轨迹，形成对我们有意义的模式。通过对古腾堡计划小说集中4,803个故事的情感弧线进行分类，我们发现了一组六个核心轨迹，它们构成了复杂叙事的基石。具有深远科学意义的将是我们最终能够在多大程度上理解人类故事的全部景观，数据驱动的方法将发挥关键作用。最后，我们利用来自Twitter的网络规模数据来研究社交数据可以告诉我们关于公共卫生，精神疾病，#BlackLivesMatter抗议运动的话语，围绕气候变化的话语以及隐藏网络的限制。最后，我们回顾了复杂系统中已发表的作品，这些作品分别分析了慈善捐款、10种语言中的幸福感、美国100年来的每日温度数据以及澳大利亚规则足球比赛。
2017-12-17 cs.CL
BiERU: Bidirectional Emotional Recurrent Unit for Conversational Sentiment Analysis
Nanyang Technological University（南洋理工大学）；City University of Hong Kong（香港城市大学）；Aalto University（阿尔托大学）
近年来，会话中的情感分析由于其可以服务于越来越多的应用而获得了越来越多的关注，例如，情感分析、推荐系统和人机交互。会话情感分析和单句情感分析之间的主要区别在于存在可能影响对话中话语的情感的上下文信息。然而，如何在对话中有效地编码上下文信息仍然是一个挑战。现有方法采用复杂的深度学习结构来区分对话中的不同方，然后对上下文信息进行建模。在本文中，我们提出了一个快速，紧凑和参数有效的一方无知的框架命名为双向情感递归单元会话情感分析。在我们的系统中，一个广义的神经张量块，其次是一个双通道分类器被设计为执行上下文组合和情感分类，分别。在三个标准数据集上进行的大量实验表明，我们的模型在大多数情况下都优于现有技术。
2021-07-04 cs.CL cs.LG
Eradicating Social Biases in Sentiment Analysis using Semantic Blinding and Semantic Propagation Graph Neural Networks
Institute of Psychology, Polish Academy of Sciences（波兰科学院心理研究所）；Society for Open Science（开放科学协会）
本研究提出仅靠句法结构与词级情感线索预测情感的SProp GNN，通过语义盲化抵御社会偏见，性能优于词典类方法、准确率接近Transformer模型且偏见更低，兼顾可解释性与效果，填补两类方法的方法学空白。
2025-01-13 cs.CL
Crowdsourcing for Beyond Polarity Sentiment Analysis A Pure Emotion Lexicon
University of Southampton（南安普顿大学）
情感分析的目的是揭示通过信息传递的情感。在其最简单的形式中，它是在极性的基础上执行的，其目标是对具有积极或消极情绪的信息进行分类。最近的研究探索了更微妙的方法来捕捉超越极性的情绪。要使这些方法发挥作用，它们需要一个关键的资源：一个适合手头任务的词汇，就它所捕捉的多样性的情感范围而言。在过去，情感分析词典是由语言学家和行为科学家等专家根据严格的规则创建的。词典评估也由专家或黄金标准进行。在我们的论文中，我们提出了一个众包方法的词汇采集，这是可扩展的，成本效益高，不需要专家或黄金标准。我们还比较了人群和专家对词典的评价，以评估整体词典质量和人群的评价能力。
2017-10-04 cs.CL cs.HC
How is Your Mood When Writing Sexist tweets? Detecting the Emotion Type and Intensity of Emotion Using Natural Language Processing Techniques
Dalhousie University（达尔豪斯大学）；Huawei Technologies（华为技术有限公司）；Ark Lab（方舟实验室）
近年来，在线社交平台一直是不同情感和态度的用户的战场。虽然性别歧视在文献中被认为是仇恨言论的一个类别，但没有一个吸引自然语言处理技术的性别歧视的全面定义和类别。将性别歧视归类为善意或敌意的性别歧视是如此广泛，以至于很容易忽视社交媒体上的其他性别歧视类别。Sharifirad S和Matwin S 2018提出了一个定义明确的性别歧视类别，包括间接骚扰，信息威胁，性骚扰和身体骚扰，灵感来自社会科学，用于自然语言处理技术。在本文中，我们利用SemEval-2018 task 1中新发布的数据集：推文中的情感，来显示每个类别中的情感类型和情感强度。我们在SemEval- 2018数据集上对不同的分类方法进行训练、测试和评估，并选择准确率最高的分类器对每类性别歧视推文进行测试，以了解每类推文用户的心理状态和情感状态。这是一个很好的探索途径，因为并不是所有的推文都是直接的性别歧视，它们承载着用户不同的情感。这是第一个对性别歧视推文进行深度影响检测的实验。根据我们最好的知识，他们都是该领域的新贡献;我们是第一个展示这种深入的情感分析对性别歧视推文的力量的人。
2019-01-28 cs.CL cs.LG cs.SI
Sarcasm Detection Framework Using Context, Emotion and Sentiment Features
Instituto Politécnico Nacional（国立理工学院）
讽刺检测是一项重要的任务，可以帮助识别用户生成的数据（如论坛或推文）中的实际情绪。讽刺是一种复杂的语言表达形式，因为它的表面意义通常与其内在的深层意义相矛盾。这种不协调是讽刺的基本组成部分，然而，它使得讽刺检测相当具有挑战性的任务。在本文中，我们提出了一个模型，它结合了不同的功能来捕捉讽刺内在的不协调。我们使用预训练的Transformer和CNN来捕获上下文特征，并且我们使用在情感检测和情感分析任务上预训练的Transformers。我们的方法在来自社交网络平台和在线媒体的四个数据集上的表现优于以前的最先进的结果。
2023-01-04 cs.CL cs.LG
Emoji-based Co-attention Network for Microblog Sentiment Analysis
在线社交网络中广泛使用缩略语来表达情感、态度和观点。表情符号作为面向情感的字符，可以被建模为对接收者或主题的情感的重要特征，用于情感分析。然而，现有的方法主要采用表情符号作为启发式信息，无法解决模糊噪声问题。最近的研究利用表情符号作为一个独立的输入来分类文本情感，但他们忽略了文本和表情符号之间的交互的情感影响。这导致表情符号的情感语义无法被充分挖掘。本文提出了一种基于表情符号的协同注意力网络，用于学习微博上文本和表情符号之间的相互情感语义。我们的模型采用基于双向长短期记忆的共同注意力机制，将文本和表情符号结合起来，并在卷积神经网络分类器中集成了挤压和激励块，以增加其对情感语义特征的敏感性。实验结果表明，该方法可以显着优于几个基线的情感分析短文本的社会媒体。
2022-01-14 cs.AI cs.CL
A Transformer-based joint-encoding for Emotion Recognition and Sentiment Analysis
Information, Signal and Artificial Intelligence Lab（信息、信号与人工智能实验室）；University of Mons（蒙斯大学）
理解所表达的情感和情绪是人类多模态语言的两个关键因素。本文描述了一种基于转换器的联合编码（TBJE）的任务，情感识别和情感分析。除了使用Transformer架构之外，我们的方法还依赖于模块化的共同关注和一瞥层来联合编码一个或多个模态。提出的解决方案也已提交给ACL 20：第二次多模态语言大挑战，将在CMU-MOSEI数据集上进行评估。复制所呈现实验的代码是开源的：https://github.com/jbdel/MOSEI_UMONS。
2020-06-29 cs.CL cs.HC cs.LG
Emo2Vec: Learning Generalized Emotion Representation by Multi-task Training
Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心（CAiRE））；The Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了将情感语义编码到向量中的V2 Vec。我们通过多任务学习六个不同的情感相关任务来训练E2 Vec，包括情感/情感分析、讽刺分类、压力检测、辱骂语言分类、侮辱检测和人格识别。我们的评估表明，它优于现有的情感相关的表示，如情感特定的词嵌入和DeepMoji嵌入与更小的训练语料库。当与GloVe相结合时，Glo 2 Vec使用简单的逻辑回归分类器在多个任务上实现了具有竞争力的性能，达到了最先进的结果。
2018-09-12 cs.CL
Emotion Recognition for Low-Resource Turkish: Fine-Tuning BERTurk on TREMO and Testing on Xenophobic Political Discourse
New Media and Communications Social Sciences University of Ankara (ASBU)（新媒体与传播科学大学安卡拉大学（ASBU））；Department of Computer Science Gazi University（计算机科学系加齐大学）
本研究针对低资源土耳其语，基于BERTurk和TREMO数据集构建准确率达92.62%的情感识别模型，分析土耳其社交媒体上的反难民情绪话语，为本地化NLP工具及相关领域应用提供支撑。
2025-05-17 cs.CL
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
Sentiment and Emotion Classification of Epidemic Related Bilingual data from Social Media
Al-Khawarizmi Institute of Computer Sciences（花拉子米计算机科学研究所）；University of Engineering & Technology（工程技术大学）
情感分析和情感分类是近年来自然语言处理（Natural Language Processing，NLP）领域中应用最为广泛的两种技术。虽然情感分析和情感分类通常用于分析客户评论，竞选候选人的受欢迎程度以及对各种体育赛事的评论等应用程序，但在本研究中，我们研究了它们在流行病爆发检测中的应用。早期发现疫情是有效应对疫情的关键，然而，传统的疫情发现方法耗时长，阻碍了相关部门的及时反应。社交媒体平台，如Twitter，Facebook，Instagram等，允许用户表达他们对生活不同方面的想法，因此，在这种情况下，作为一个重要的信息来源。该研究利用了来自Twitter和NEWS网站的双语（乌尔都语和英语）数据，这些数据与巴基斯坦的登革热疫情有关，并进行了情感分析和情感分类，以从数据集中获得深刻的见解，从而获得与疫情爆发有关的公平想法。机器学习和深度学习算法已被用于训练和实现用于执行这两项任务的模型。每个模型的比较性能进行了评估，使用准确率，精度，召回率和f1-措施。
2021-05-04 cs.CL cs.LG
Sentiment Analysis of Online Travel Reviews Based on Capsule Network and Sentiment Lexicon
Beijing University of Posts and Telecommunications（北京邮电大学）
随着在线旅游服务的发展，及时挖掘用户对旅游服务的评价情绪，并以此为指标来指导在线旅游服务质量的提升，具有很大的应用前景。本文研究了基于社交媒体在线评论的在线旅游评论文本情感分类问题，提出了基于胶囊网络和情感词典的SCCL模型。SCCL模型是针对语言模型中缺乏对文本的局部特征和情感语义特征的考虑而提出的，该模型能够有效地提取文本的上下文特征，如BERT和GRU。然后针对其不足之处做以下改进。一方面，在BERT-BiGRU的基础上，引入胶囊网络，在提取局部特征的同时保留良好的上下文特征。另一方面，引入情感词典提取文本的情感序列，为模型提供更丰富的情感语义特征。为了增强情感词典的通用性，采用基于TF-IDF的改进SO-PMI算法对情感词典进行扩展，使情感词典在在线旅游评论领域也有良好的表现。
2022-06-05 cs.AI cs.CL
StockEmotions: Discover Investor Emotions for Financial Sentiment Analysis and Multivariate Time Series
The University of Sydney（悉尼大学）；The University of Western Australia（西澳大学）；KPMG Australia（毕马威澳大利亚）
本文提出StockEmotions数据集，包含来自StockTwits的1万条评论和12类细粒度投资者情绪，实验表明DistilBERT在情感分类中表现最佳，而融合价格、文本与情绪的时序注意力LSTM在多元时间序列预测中效果最优。
2023-02-06 cs.AI cs.CL cs.LG
Pay attention to emoji: Feature Fusion Network with EmoGraph2vec Model for 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）
随着社交媒体的爆炸性增长，带有表情符号的固执己见的帖子也爆炸性地增加。许多表情符号被用来表达情绪、态度和观点。表情符号表示学习有助于提高表情符号相关的自然语言处理任务的性能，特别是在文本情感分析中。然而，大多数研究只使用Unicode联盟提供的固定描述，而没有考虑实际的使用场景。至于情感分析任务，许多研究人员忽略了文本和表情符号之间交互的情感影响。这导致表情符号的情感语义无法被充分挖掘。在这项工作中，我们提出了一种名为mosaGraph2vec的方法，通过从社交数据中构建共现图网络来学习emoji表示，并基于外部知识库mosajiNet来丰富语义信息以嵌入emoji节点。本文基于Graph2vec模型，设计了一种新的神经网络，将文本和emoji信息融合到情感分析中，该网络使用混合注意力模块和基于TextCNN的分类器来提高性能。实验结果表明，该模型可以优于基准数据集上的情感分析的几个基线。此外，我们进行了一系列的消融和比较实验，以调查我们的模型的有效性和可解释性。
2022-05-23 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
Emotional Analysis of Fashion Trends Using Social Media and AI: Sentiment Analysis on Twitter for Fashion Trend Forecasting
Delhi Public School, Ruby Park, India（印度德里公共学校，Ruby Park分校）；Poolesville High School, USA（美国Poolesville高中）
本研究利用T4SA数据集和NLP技术分析Twitter情感，提出改进的预测模型，证实社交媒体情感分析可作为时尚趋势的有效早期指标。
2025-04-30 cs.AI cs.CL
Market Trend Prediction using Sentiment Analysis: Lessons Learned and Paths Forward
Birkbeck, University of London（伦敦大学伯贝克学院）
金融市场预测是情感分析最具吸引力的实际应用之一。在本文中，我们研究了使用情绪\emph{attitudes}（积极与消极）和情绪\emph{emotions}（喜悦，悲伤等）的潜力。从财经新闻或推文中提取，以帮助预测股价走势。我们使用\emph{Granger-causality}检验进行的大量实验表明：（1）一般情况下，情绪态度似乎不会导致股票价格的格兰杰变化;（2）虽然在某些特定情况下，情绪情绪似乎确实会导致股票价格的格兰杰变化，但所展示的模式并不普遍，必须根据具体情况进行分析。此外，已经观察到，至少对于某些股票，将情绪情绪作为附加特征集成到基于机器学习的市场趋势预测模型中可以提高其准确性。
2019-03-13 cs.CL cs.CY
Performance evaluation of Reddit Comments using Machine Learning and Natural Language Processing methods in Sentiment Analysis
Shanghaitech University（上海科技大学）
本研究利用GoEmotions数据集评估多种机器学习模型在Reddit评论情感分析中的性能，发现RoBERTa在细粒度分类中准确率最高，凸显其潜力。
2024-05-28 cs.CL
A Study on the Ambiguity in Human Annotation of German Oral History Interviews for Perceived Emotion Recognition and Sentiment Analysis
Fraunhofer Institute for Intelligent Analysis and Information Systems (IAIS)（弗劳恩霍夫智能分析与信息系统研究所）；Haus der Geschichte der Bundesrepublik Deutschland Foundation (HdG)（德意志联邦共和国历史之家基金会）；University of Applied Sciences Bonn-Rhein-Sieg（波恩-莱茵-锡格应用技术大学）；Autonomous Intelligent Systems (AIS), Computer Science Institute VI, Univ. of Bonn（波恩大学计算机科学第六研究所自主智能系统）
对于视听访谈档案的研究来说，人们不仅对访谈内容感兴趣，而且对访谈方式感兴趣。情感分析和情感识别可以帮助捕捉、分类和搜索这些不同的方面。特别是，对于口述历史档案，这种索引技术可能是非常有趣的。这些技术可以帮助理解情感在历史记忆中的作用。然而，人类经常模糊和主观地感知情感和情绪。此外，口述历史访谈有多层次的复杂，有时矛盾，有时非常微妙的情感方面。因此，机器和人类捕捉并将其分配到预定义类别的机会就出现了问题。本文研究了德国口述历史访谈中人类对情感和情绪感知的模糊性及其对机器学习系统的影响。我们的实验揭示了人类对不同情绪的感知存在实质性差异。此外，我们报告了正在进行的不同模式的机器学习实验。我们发现，人类感知的模糊性和其他挑战，如类不平衡和缺乏训练数据，目前限制了这些技术的口述历史档案的机会。尽管如此，我们的工作揭示了有希望的观察和进一步研究的可能性。
2022-01-18 cs.CL cs.SD eess.AS
Multilogue-Net: A Context Aware RNN for Multi-modal Emotion Detection and Sentiment Analysis in Conversation
NVIDIA Graphics（NVIDIA图形公司）
会话中的情感分析和情感检测是几个现实世界应用的关键，可用的模态增加有助于更好地理解潜在的情感。多模态情感检测和情感分析可能特别有用，因为应用程序将能够根据可用数据使用可用模态的特定子集。处理多模态功能的当前系统未能利用和捕获通过所有模态的对话的上下文、收听者和说话者情感状态之间的依赖性以及可用模态之间的相关性和关系。在本文中，我们提出了一个端到端的RNN架构，试图考虑到所有提到的缺点。在撰写本文时，我们提出的模型在各种准确性和回归指标上的基准数据集上的表现优于最先进的模型。
2020-06-22 cs.CL cs.LG cs.SD
Expert-Guided Multimodal Fusion for Unified Emotion and Sentiment Analysis
School of Software, Dalian University of Technology, China（软件学院，大连理工大学，中国）
本文提出EGMF框架，通过专家引导的多模态融合与大语言模型结合，实现情绪识别与情感分析的统一处理，提升跨语言鲁棒性。
2026-08-11 cs.AI cs.CL
Multimodal Prompt Learning with Missing Modalities for Sentiment Analysis and Emotion Recognition
Zhejiang University（浙江大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对多模态情感分析与情绪识别中的模态缺失问题，提出含生成式、缺失信号和缺失类型三类提示的多模态 Transformer 提示学习框架，以更少可训练参数实现更优性能与鲁棒性。
2024-07-07 cs.CL cs.CV
Building domain specific lexicon based on TikTok comment dataset
The University of Adelaide（阿德莱德大学）
在情感分析任务中，预测句子的情感倾向是一个重要分支。以往的研究多集中在英语的情感分析上，如基于句子的配价、唤醒、支配等分析句子的情感倾向。两种语言的情感倾向不同。例如，汉语和英语之间的句子顺序可能会呈现不同的情感。本文尝试了一种建立领域专用词典的方法。这样，该模型就可以对具有情感倾向的汉语词汇进行分类。该方法在文献[13]的基础上，通过中文TikTok评论和情感词典源（种子词）的词嵌入，训练超密集空间嵌入表。该模型的结果是一个特定领域的词汇，它代表了词的情感倾向。我收集了中国TikTok的评论作为训练数据。通过将训练结果与PCA方法进行比较，评价了该模型在中文情感分类中的性能，结果表明，该模型在中文情感分类中取得了较好的效果。源代码已经发布在github上：https://github.com/h2222/douyin_comment_dataset
2020-12-16 cs.AI cs.CL
Bridging Emotions and Architecture: Sentiment Analysis in Modern Distributed Systems
Columbia University（哥伦比亚大学）；North Carolina State University（北卡罗来纳州立大学）；Harrisburg University of Science and Technology（哈里斯堡科技大学）；Old Dominion University（奥多明尼昂大学）
本文探究情感分析与分布式系统的融合路径，对比单节点与分布式架构下情感分析模型的性能与准确率，梳理相关方法、挑战与未来研究方向。
2025-03-24 cs.CL cs.DC cs.LG
Audio-Visual Sentiment Analysis for Learning Emotional Arcs in Movies
MIT Media Lab（麻省理工学院媒体实验室）
故事可以有巨大的力量--不仅对娱乐有用，它们还可以激活我们的兴趣，调动我们的行动。一个故事与观众产生共鸣的程度可能部分反映在它带给观众的情感旅程中。在本文中，我们使用机器学习方法来构建电影中的情感弧，计算弧族，并证明某些弧预测观众参与的能力。该系统适用于好莱坞电影和网络上找到的高质量短片。我们首先使用深度卷积神经网络进行音频和视觉情感分析。这些模型在新的和现有的大规模数据集上进行训练，之后它们可以用于计算单独的音频和视觉情感弧。然后，我们众包从弧中的高点和低点提取的30秒视频剪辑的注释，以评估系统的微观精度，精度根据系统预测和注释者评级之间的极性一致性来衡量。这些注释还用于组合音频和视觉预测。接下来，我们看看宏观层面上的表征的电影调查是否存在“普遍形状”的情感弧线。特别是，我们开发了一种聚类方法来发现不同类别的情感弧。最后，我们展示了短网络视频的样本语料库，某些情感弧是视频收到的评论数量的统计显著预测。这些结果表明，通过我们的方法学习的情感弧成功地代表了视频故事的宏观方面，这些方面推动了观众的参与。这种机器理解可以用来预测观众对视频故事的反应，最终提高我们作为讲故事者相互交流的能力。
2017-12-08 cs.CL cs.CV
Hotter and Colder: A New Approach to Annotating Sentiment, Emotions, and Bias in Icelandic Blog Comments
University of Iceland（冰岛大学）；The Alexandra Institute（亚历山德拉研究所）
本文构建了Hotter and Colder数据集，利用GPT-4o mini自动标注约80万条冰岛博客评论，经人工修订后得到12,232条高质量标注，为冰岛内容审核和有害行为检测提供资源。
2025-02-24 cs.AI 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
How Emotionally Stable is ALBERT? Testing Robustness with Stochastic Weight Averaging on a Sentiment Analysis Task
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Eindhoven University of Technology（埃因霍温理工大学）
尽管取得了成功，但现代语言模型是脆弱的。即使是在他们的培训管道小的变化可能会导致意想不到的结果。我们通过检查ALBERT（arXiv：1909.11942）与随机加权平均（SWA）（arXiv：1803.05407）（一种廉价的集成方式）结合在情感分析任务（SST-2）上的鲁棒性来研究这种现象。特别是，我们通过CheckList标准（arXiv：2005.04118）分析了SWA的稳定性，检查了仅在随机种子中不同的模型所产生的错误的一致性。我们假设SWA更稳定，因为它集成了沿梯度下降轨迹拍摄的模型快照。我们通过比较模型的错误与Fleiss Kappa（Fleiss，1971）和重叠率得分来量化稳定性。我们发现SWA总体上降低了出错率;但模型仍然存在自己独特的偏差（根据CheckList）。
2021-11-18 cs.CL cs.LG
Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning -- a Case Study on COVID-19
Norwegian University of Science & Technology（挪威科技大学）；Sukkur IBA University（苏库尔IBA大学）；Linnaeus University（林奈大学）
不同的文化如何对危机作出反应和回应，是一个社会的规范和与危机作斗争的政治意愿的主要内容。通常情况下，所做的决定是由事件、社会压力或时间的需要所必需的，这可能不代表国家的意志。虽然有些人对此感到满意，但其他人可能会表示不满。冠状病毒（COVID-19）给各国政府的决策带来了类似的情绪。过去数月，社交媒体上充斥着对COVID-19、疫情、封锁、标签的正面和负面情绪的帖子。尽管地理位置接近，但许多邻国的反应却各不相同。例如，丹麦和瑞典有许多相似之处，但在各自政府所作的决定上却大相径庭。然而，他们国家的支持大多是一致的，不像南亚邻国，人们表现出了很多焦虑和不满。这项研究旨在利用自然语言处理（NLP）和深度学习技术检测和分析Twitter帖子在疫情初期和封锁期间表现出的情绪极性和情绪。深度长短期记忆（LSTM）模型用于从提取的推文中估计情感极性和情感，已经过训练，以在sentiment 140数据集上达到最先进的准确性。表情符号的使用展示了一种独特而新颖的方法，可以在从Twitter提取的推文上验证监督深度学习模型。
2020-08-23 cs.CL cs.CY cs.LG
The MuSe 2022 Multimodal Sentiment Analysis Challenge: Humor, Emotional Reactions, and Stress
University of Augsburg（奥格斯堡大学）；Hume AI（休谟人工智能）；University of Passau（帕绍大学）；Recoro；University of Ulm（乌尔姆大学）；Nanyang Technological University（南洋理工大学）；Imperial College London（伦敦帝国理工学院）
多模态情感分析挑战赛（MuSe）2022致力于多模态情感和情感识别。对于今年的挑战，我们有三个数据集：（i）帕绍自发足球教练幽默（Passau-SFCH）数据集，包含德国足球教练的视听记录，标记为幽默的存在;（ii）休谟反应数据集，其中个体对情绪刺激的反应已经关于七种情绪表达强度进行了注释，以及（iii）Ulm-Trier社会压力测试（Ulm-TSST）数据集，其包括用处于压力倾向的人的连续情绪值（唤醒和效价）标记的视听数据。使用引入的数据集，MuSe 2022 2022解决了三个当代情感计算问题：在幽默检测子挑战中（MuSe-幽默），必须识别自发的幽默;在情绪反应子挑战中（MuSe反应），必须预测七种细粒度的“野外”情绪;而在情绪压力子挑战（MuSe-Stress）中，突出了对压力情绪值的连续预测。这项挑战旨在吸引不同的研究团体，鼓励他们的学科融合。MuSe 2022主要针对视听情感识别、健康信息学和符号情感分析的社区。本基准文件描述了数据集以及从中提取的特征集。具有LSTM单元的递归神经网络用于为每个子挑战的测试分区设置竞争性基线结果。我们报告MuSe-幽默的曲线下面积（AUC）为0.8480; MuSe-反应的Pearson相关系数平均值（来自7个类别）为0.2801，以及MuSe-压力中的效价和唤醒的一致性相关系数（CCC）分别为0.4931和0.4761。
2022-10-21 cs.AI cs.CL cs.LG
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
Evaluation of data inconsistency for multi-modal sentiment analysis
Shanghai Jiao Tong University（上海交通大学）
针对多模态情感分析中的情感语义不一致问题，研究引入模态冲突测试集评估传统模型与多模态大语言模型，发现两者在处理语义冲突数据时均存在性能下降或缺陷，为系统发展提供新挑战与见解。
2024-06-05 cs.AI cs.CL
UniSA: Unified Generative Framework for Sentiment Analysis
Central South University（中南大学）；Alibaba Group（阿里巴巴集团）；Shandong Jianzhu University（山东建筑大学）
针对情感分析子任务统一难题，提出任务特定提示方法与多模态生成框架UniSA，并构建SAEval基准，通过新颖预训练提升多模态感知，实验性能与最先进方法相当。
2023-09-04 cs.AI cs.CL cs.CV
COVID-19: Social Media Sentiment Analysis on Reopening
University of Houston（休斯顿大学）
新型冠状病毒（COVID-19）疫情是2020年社交媒体平台上最热门的话题。人们正在使用Twitter等社交媒体表达他们的意见，并分享有关COVID-19在此居家令中的一些问题的信息。在本文中，我们调查的情绪和情感的人在美国的主题重新开放。我们选择社交媒体平台Twitter作为分析对象，通过对Twitter上的推文进行分析，发现其中的情感视角、情感视角以及触发重新开放的话语。在COVID-19大流行期间，研究人员对各种社交媒体数据集进行了一些关于封锁和呆在家里的分析。然而，在我们的分析中，我们特别有兴趣分析公众对重新开放的情绪。我们的主要发现是，当所有州在3月份采取封锁措施时，人们表现出了恐惧的主导情绪，但随着重新开放，人们的恐惧感减少了。虽然这可能是真的，但由于这一重新开放阶段，与封锁情况相比，每日的积极案例正在增加。总体而言，人们对重新开放的负面情绪有所减少。
2020-06-01 cs.CL cs.IR cs.SI
