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
Dynamic Adaptive Attention and Supervised Contrastive Learning: A Novel Hybrid Framework for Text Sentiment Classification
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种结合动态自适应注意力与监督对比学习的混合框架，用于提升文本情感分类的准确性，实验表明其在IMDB数据集上达到94.67%的准确率，优于现有基线模型。
2026-04-12 cs.CL
Variational Weakly Supervised Sentiment Analysis with Posterior Regularization
HKUST（香港科技大学）
情感分析是自然语言处理中的一项重要任务。大多数现有的最先进的方法是在监督学习范式下。然而，人类注释可能是稀缺的。因此，我们应该利用更弱的监管进行情感分析。在本文中，我们提出了一个后验正则化框架的变分方法的弱监督情感分析，以更好地控制后验分布的标签分配。后验正则化背后的直觉是，如果从两个文档中提取的意见词在语义上相似，则两个文档的后验分布应该相似。我们的实验结果表明，后验正则化可以改善原来的变分方法的弱监督情感分析和性能更稳定，更小的预测方差。
2021-04-18 cs.AI cs.CL
Combining Lexical Features and a Supervised Learning Approach for Arabic Sentiment Analysis
在过去几年中，特别是随着阿拉伯社交媒体用户数量的迅速增加，人们认识到为阿拉伯社交媒体建立情感分析工具的重要性。解决这个问题的主要困难之一是社交媒体中的文本大多是口语化的，社交媒体平台中使用了许多方言。在本文中，我们提出了一组特征，这些特征与基于机器学习的情感分析模型相集成，并应用于埃及、沙特、黎凡特和MSA阿拉伯语社交媒体数据集。许多拟议的功能是通过使用阿拉伯语情感词汇。该模型还提出了基于表情的功能，以及输入文本相关的功能，如文本中的段数，文本的长度，文本是否以问号结尾等，我们表明，所提出的功能已经导致了六个我们已经实验过的七个数据集的准确性提高，这些数据集都是基准。由于开发的模型优于所有现有的阿拉伯语情感分析系统，这些系统具有公开的数据集，我们可以说，该模型在阿拉伯语情感分析中呈现出最先进的水平。
2017-10-23 cs.CL
Credibility Adjusted Term Frequency: A Supervised Term Weighting Scheme for Sentiment Analysis and Text Classification
New York University（纽约大学）
我们提供了一个简单但新颖的监督加权方案，用于调整情感分析和文本分类的tf-idf中的词频。我们比较我们的方法基线加权方案，并发现它优于他们在多个基准。该方法是鲁棒的，在片段和较长的文档上都能很好地工作。
2014-06-28 cs.CL cs.IR
PGF-Net: A Progressive Gated-Fusion Framework for Efficient Multimodal Sentiment Analysis
Universiti Sains Malaysia（马来西亚理科大学）
本文提出PGF-Net框架，通过渐进式层内融合、自适应门控仲裁和混合参数高效微调策略，在MOSI数据集上以仅3.09M可训练参数实现多模态情感分析的最优性能。
2025-08-20 cs.CL cs.LG
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
Generating Word and Document Embeddings for Sentiment Analysis
Boğaziçi University（海峡大学）
不同语料库的词汇情感是不同的。一般来说，归纳语言的一般情感词汇并使用它们不能为不同的领域产生有意义的结果。在本文中，我们将上下文和监督信息与字典中出现的单词的一般语义表示相结合。词的上下文帮助我们捕捉特定领域的信息，词的监督分数指示这些词的极性。当我们将单词的监督特征与从其字典定义中提取的特征相结合时，我们观察到成功率的增加。我们尝试了上下文，监督和基于字典的方法的组合，并生成原始向量。我们还将word2vec方法与手工制作的功能相结合。我们诱导特定领域的情感向量的两个语料库，这是电影领域和Twitter的土耳其语数据集。当我们此后生成文档向量，并采用支持向量机方法利用这些向量，我们的方法比土耳其的基线研究有显着的利润率。我们在两个英语语料库上对我们的模型进行了评估，这些模型也优于word2vec方法。这表明我们的方法是跨领域的，可移植到其他语言。
2020-12-07 cs.CL
Making sense of electrical vehicle discussions using sentiment analysis on closely related news and user comments
UC Berkeley（加州大学伯克利分校）
我们使用了一个标记明智和文档明智的情感分析，使用无监督和监督模型应用于新闻和用户评论数据集。我们的标记方面的情感分析发现两组之间的情感存在统计学上的显著差异（两者都是非常大的N），我们的文档方面的监督情感分析发现情感没有显著差异。
2022-06-19 cs.AI cs.CL
W2VLDA: Almost Unsupervised System for Aspect Based Sentiment Analysis
Vicomtech-IK4（维康技术-IK4研究所）；EHU（巴斯克大学）
随着专业网站和社交网络中在线客户意见的增加，自动系统帮助组织和分类客户评论的必要性比以往任何时候都更加重要。基于方面的情感分析的监督方法对于它们所训练的领域/语言获得了良好的结果，但是对于所有领域和语言，使用手动标记的数据来训练监督系统通常非常昂贵和耗时。在这项工作中，我们描述了W2 VLDA，一个几乎无监督的系统，基于主题建模，结合其他一些无监督的方法和最小的配置，执行方面/类别分类，方面术语/意见词分离和情感极性分类为任何给定的域和语言。我们在多语言SemEval 2016 task 5（ABSA）数据集中评估了方面和情感分类的性能。我们展示了几种语言（英语，西班牙语，法语和荷兰语）和领域（酒店，餐馆，电子设备）的竞争结果。
2017-07-18 cs.CL
Developing a Comprehensive Framework for Sentiment Analysis in Turkish
Bahçeşehir University（巴切希尔大学）；Boğaziçi University（博德齐大学）；Institute for Graduate Studies in Science and Engineering（科学与工程研究生院）
本研究提出了一种针对土耳其语情感分析的综合性框架，结合多种方法提升模型性能，并在英语领域也取得了显著成果。
2025-11-29 cs.CL
Semantic Consistency Regularization with Large Language Models for Semi-supervised Sentiment Analysis
School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院）；The Chinese University of Hong Kong（香港中文大学）
针对半监督情感分析泛化能力弱易过拟合的问题，提出基于大型语言模型的语义一致性正则化框架SCR，利用LLM进行文本语义增强并结合置信度阈值与类重组策略提供额外监督，性能显著优于现有方法。
2025-01-29 cs.CL cs.LG
Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
基于情感分析的评论文本的情感分析对于以细粒度的方式理解用户反馈具有重要价值。它通常有两个子任务：（i）从每个评论中提取方面，以及（ii）根据情感极性对基于方面的评论进行分类。在本文中，我们提出了一个弱监督的方法，基于方面的情感分析，它只使用几个关键字描述每个方面/情感，而不使用任何标记的例子。现有的方法要么只为其中一个子任务而设计，忽略了耦合两者的好处，要么基于可能包含重叠概念的主题模型。我们建议首先通过实施正则化来鼓励主题独特性，从而在词嵌入空间中学习<sentiment，aspect>联合主题嵌入，然后使用神经模型通过使用基于嵌入的预测预训练分类器并在未标记的数据上进行自我训练来概括词级判别信息。我们的综合性能分析表明，我们的方法生成高质量的联合主题，并在基准数据集上显著优于基线（方面和情感分类的平均F1得分分别增加7.4%和5.1%）。我们的代码和数据可在https://github.com/teapot123/JASen上获得。
2020-10-13 cs.CL cs.IR cs.LG
Bidirectional Encoder Representations from Transformers (BERT): A sentiment analysis odyssey
CenturyLink（世纪互联公司）；International Management Institute Bhubaneswar（布巴内斯瓦尔国际管理学院）
该研究的目的是调查四种不同的情感分析技术的相对有效性：（1）使用Sent WordNet的无监督的基于词典的模型;（2）使用逻辑回归的传统监督机器学习模型;（3）使用长短期记忆（LSTM）的监督深度学习模型;（4）使用LSTM的监督深度学习模型。以及（4）使用来自Transformers的双向编码器表示（BERT）的高级监督深度学习模型。我们使用最初发布在互联网电影数据库（IMDB）上的50，000个电影评论的公开标记语料库，使用Sent WordNet词典，逻辑回归，LSTM和BERT进行分析。前三个模型运行在基于CPU的系统上，而BERT运行在基于GPU的系统上。基于准确度、精确度、召回率和F1得分来评估情感分类性能。该研究提出了两个关键见解：（1）四种高度先进和广泛使用的情感分析技术的相对功效;（2）预训练的高级监督深度学习BERT模型在文本数据的情感分析中具有无可争议的优势。这项研究为分析行业的专业人士和从事文本分析的学者提供了关于关键情感分析技术（包括最近开发的BERT）的比较分类性能评估的关键见解。这是第一次将BERT的高级预训练监督深度学习模型与LSTM、逻辑回归和Sent WordNet的其他情感分析模型进行比较的研究。
2020-07-02 cs.CL stat.ML
Learning Modality-Specific Representations with Self-Supervised Multi-Task Learning for Multimodal Sentiment Analysis
Tsinghua University（清华大学）
表示学习是多模态学习中一个重要而又具有挑战性的课题。有效的情态表征应包含两个方面的特征：一致性和差异性。由于统一的多模态标注，现有方法在获取差异化信息方面受到限制。然而，额外的单模态注释是高时间和劳动力成本的。本文设计了一个基于自监督学习策略的标签生成模块，以获得独立的单峰监督。然后，联合训练多模态和单模态任务，分别学习一致性和差异性。此外，在训练阶段，我们设计了一个权重调整策略，以平衡不同子任务之间的学习进度。即引导子任务将注意力集中在模态监督差异较大的样本上。最后，我们在三个公共的多模态基线数据集上进行了广泛的实验。实验结果验证了自动生成的单峰监督的可靠性和稳定性。在MOSI和MOSEI数据集上，我们的方法超越了当前最先进的方法。在SIMS数据集上，我们的方法实现了与人类注释的单峰标签相当的性能。完整代码可在https://github.com/thuiar/Self-MM上获得。
2021-02-09 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
Improving Multimodal Sentiment Analysis: Supervised Angular Margin-based Contrastive Learning for Enhanced Fusion Representation
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）
本文提出基于监督角度间隔的对比学习框架，通过关注同类情感分数差异和单模态重要性，增强多模态情感分析中融合表示的判别力与泛化性。
2023-12-04 cs.CL cs.LG
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
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
A Variational Approach to Unsupervised Sentiment Analysis
Hong Kong University of Science and Technology（香港科技大学）；University of Southern California（南加州大学）；University of Hong Kong（香港大学）
在本文中，我们提出了一种变分方法，无监督的情感分析。我们使用目标意见词对作为监督信号，而不是使用领域专家提供的基础事实。例如，在文档片段“the room is big”中，（room，big）是目标意见词对。这些词对可以通过使用依赖分析器和简单的规则来提取。我们的目标函数是预测一个给定目标词的观点词，而我们的最终目标是学习一个情感分类器。通过引入潜在变量，即，情感极性，对目标函数，我们可以通过证据下限注入情感分类器的目标函数。我们可以通过优化下限来学习情感分类器。我们还对意见词施加复杂的约束，作为正则化，鼓励如果两个文档具有相似（不相似）的意见词，则情感分类器应该产生相似（不同）的概率分布。我们将我们的方法应用于客户评论和临床叙述的情感分析。实验结果表明，该方法在两个领域的情感分析任务中均优于无监督基线，在客户评论领域与每个方面有数百个标签的有监督方法获得了相当的结果，在临床叙述领域与有监督方法获得了相当的结果。
2020-08-21 cs.CL
Semi-supervised and Transfer learning approaches for low resource sentiment classification
University of Maryland, College Park（马里兰大学帕克分校）；University of Southern California（南加州大学）
情感分类涉及量化人类对文档、媒体项或事件的情感反应。尽管研究人员已经研究了几种方法来可靠地从词汇，语音和肢体语言线索中推断情感，但使用一小部分标记数据集训练模型仍然是一个挑战。例如，在将情感分析扩展到新的语言和文化时，可能并不总是能够获得全面的标记数据集。在本文中，我们研究了应用半监督和迁移学习方法来提高低资源情感分类任务的性能。我们尝试提取密集的特征表示，预训练和流形正则化，以提高情感分类系统的性能。我们的目标是一个连贯的实现这些方法，我们评估这些方法在匹配设置，包括训练和测试一个单一的语料库设置以及两个跨语料库设置所取得的收益。在这两种情况下，我们的实验表明，所提出的方法可以显着提高模型的性能对一个纯粹的监督方法，特别是在涉及少数训练数据的情况下。
2018-06-07 cs.CL cs.IR cs.LG
Semi-IIN: Semi-supervised Intra-inter modal Interaction Learning Network for Multimodal Sentiment Analysis
South China University of Technology（华南理工大学）
针对多模态情感分析中标注成本高、标签模糊及模态交互重要性随样本变化的问题，提出融合掩码注意力与门控机制、结合自训练的半监督网络Semi-IIN，在两个公开数据集上多项指标达SOTA。
2024-12-13 cs.AI cs.CL
Universal, Unsupervised (Rule-Based), Uncovered Sentiment Analysis
Universidade da Coruña（拉科鲁尼亚大学）
我们提出了一种新的无监督的方法，多语言情感分析驱动的组合语法为基础的规则。一方面，我们利用了无监督算法的一些主要优势：（1）与大多数监督模型相比，它们的输出具有可解释性，后者表现为黑盒;（2）它们在不同语料库和领域中的鲁棒性。另一方面，通过引入组合操作的概念并以通用依赖关系的形式利用语法信息，我们解决了它们的主要缺点之一：它们对结构不同的数据的刚性取决于所涉及的语言。实验表明，在现有的无监督方法和最先进的监督模型进行评估时，其原始语料库之外的改进。实验还展示了如何在不同语言之间共享相同的组合操作。该系统可在http://www.grupolys.org/software/UUUSA/上获得
2017-01-05 cs.CL
Let's Rectify Step by Step: Improving Aspect-based Sentiment Analysis with Diffusion Models
East China Normal University（华东师范大学）；Fudan University（复旦大学）；Shanghai Open University（上海开放大学）
本文提出面向方面级情感分析的扩散模型DiffusionABSA，通过逐步加噪与去噪并结合语法感知时间注意力机制精确提取方面边界，在八个基准数据集上验证了其优越性。
2024-02-23 cs.CL cs.LG
Supervised Term Weighting Metrics for Sentiment Analysis in Short Text
Aix Marseille Université（艾克斯-马赛大学）；CNRS（法国国家科学研究中心）；ENSAM（法国国立高等艺术与职业学院）；Université de Toulon（土伦大学）
术语加权度量为术语分配权重，以区分重要术语和不太重要的术语。由于这一特性，这些度量在文本分类和最近的情感分析中引起了越来越多的关注。使用由这样的度量给出的权重可以导致更准确的文档表示，这可以提高分类的性能。虽然以前的研究都集中在提出或比较不同的加权指标，在两类文档的水平情感分析，本研究提出分析的结果，每个指标，以找出好的和坏的加权指标的特点。因此，我们提出了一个实证研究的15个全球监督加权度量和4个局部加权度量采用信息检索，我们也给出了一个分析，以了解每个度量的行为，通过观察和分析每个度量如何分布的条款，并推导出一些特征，可以区分好的和坏的度量。该评估是使用支持向量机在三个不同的数据集上进行的：Twitter，餐厅和笔记本电脑评论。
2016-10-10 cs.CL cs.IR cs.LG
Reducing Labeling Costs in Sentiment Analysis via Semi-Supervised Learning
Georgia State University（佐治亚州立大学）
本研究提出基于流形假设的直推式标签传播方法，利用图方法生成伪标签并结合网络嵌入扩展标签，将未标记数据纳入监督学习以训练深度神经网络，有效降低了情感分析中的标注成本。
2024-10-15 cs.AI cs.CL cs.IR
Sentiment Analysis in Drug Reviews using Supervised Machine Learning Algorithms
情感分析是自然语言处理中的一个重要算法，用于检测文本中的情感。在我们的项目中，我们选择分析各种药物的评论，这些药物以文本的形式进行评论，并在1-10的范围内进行评级。我们从UCI机器学习存储库中获得了这个数据集，该存储库有2个数据集：训练和测试（分为75-25\%）。我们将药物的数字评级分为三类：阳性（7-10），阴性（1-4）或中性（4-7）。有多个属于类似条件的药物评论，我们决定调查不同条件的评论如何使用不同的词语影响药物的评级。我们的目的主要是实现监督机器学习分类算法，使用文本评论预测评级的类别。我们主要实现了不同的嵌入，如词频逆文档频率（TFIDF）和计数向量（CV）。我们在数据集中训练了最流行的条件，如“节育”，“抑郁”和“疼痛”，并在预测测试数据集时获得了良好的结果。
2020-03-21 cs.CL cs.LG stat.ML
SentiPers: A Sentiment Analysis Corpus for Persian
The George Washington University（乔治华盛顿大学）；Ferdowsi University of Mashhad（马什哈德菲尔多西大学）；Shahid Beheshti University（沙希德·贝赫什提大学）；University of Guilan（吉兰大学）
情感分析是自然语言处理、计算语言学和信息检索的一个重要研究领域。近年来，学术界和工业界对SA的兴趣不断增长。此外，越来越需要生成适当的资源和数据集，特别是针对包括波斯语在内的低资源语言。这些数据集在使用监督、半监督或无监督方法设计和开发适当的意见挖掘平台方面发挥着重要作用。在本文中，我们概述了开发一个手动注释的情感语料库，SentiPers，其中包括正式和非正式的书面当代波斯语的整个过程。据我们所知，SentiPers是一个独特的情感语料库，在三个不同的级别上具有如此丰富的注释，包括波斯语的文档级，文档级和实体/方面级。该语料库包含超过26000个句子的用户意见，从数字产品领域和特殊的特点，如量化的积极或消极的意见，通过指定一个特定范围内的任何给定的句子的好处。此外，我们目前的统计数据，我们的语料库的各个组成部分，以及研究注释者之间的注释协议。最后，我们还将讨论在注释过程中面临的一些挑战。
2021-01-01 cs.CL
Progressive Class Semantic Matching for Semi-supervised Text Classification
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）
半监督学习是降低文本分类标注代价的有效方法。与预先训练的语言模型（PLM）相结合，例如，BERT，最近的半监督学习方法取得了令人印象深刻的性能。在这项工作中，我们进一步研究了半监督学习和预训练的语言模型之间的婚姻。与现有的方法，利用PLM只为模型参数初始化，我们探讨了内在的主题匹配能力PLM内建立一个更强大的半监督学习方法。具体来说，我们提出了一个联合半监督学习过程，可以逐步建立一个标准的$K$方式分类器和匹配网络的输入文本和类语义表示（CSR）。CSR将从给定的标记句子初始化，并通过训练过程逐步更新。通过大量的实验，我们证明了该方法不仅能显著改善基线，而且整体上更加稳定，在半监督文本分类中达到了最先进的性能。
2022-05-20 cs.AI cs.CL
Knowledge-enriched Two-layered Attention Network for Sentiment Analysis
Indian Institute of Technology Patna（印度理工学院巴特那分校）；Kyoto University（京都大学）
提出了一种基于双向长短期记忆的双层注意力网络用于情感分析。新的两层注意力网络利用外部知识库来提高情感预测。它使用WordNet生成的知识图谱嵌入。我们建立我们的模型相结合的两层注意力网络和基于支持向量回归的监督模型，使用多层感知器网络的情感分析。我们在SemEval 2017任务5的基准数据集上评估了我们的模型。实验结果表明，该模型优于SemEval 2017 Task 5的顶级系统。该模型通过将SemEval 2017任务5的最先进系统分别提高1.7和3.7分（子轨道1和2），表现明显更好。
2018-06-16 cs.CL
Embarrassingly Simple Unsupervised Aspect Based Sentiment Tuple Extraction
Arizona State University（亚利桑那州立大学）；Georgia Institute of Technology（佐治亚理工学院）
针对低资源领域缺乏标注数据导致监督方法效果减弱的问题，提出一种简单新颖的无监督方法，用于提取句子中方面词对应的意见词及情感极性，并在四个基准数据集上验证了有效性，为意见词挖掘建立了无监督基准。
2024-04-21 cs.CL
Using Self-Organizing Maps for Sentiment Analysis
Indian Institute of Management Indore（印多尔印度管理学院）
Web 2.0服务使人们能够以用户生成内容的形式表达他们的意见，体验和感受。情感分析或意见挖掘涉及根据其积极或消极的极性识别，分类和汇总意见。本文研究了不同的自组织映射（SOM）的实现基于情感的可视化和分类的在线评论的有效性。具体来说，本文实现了SOM算法的监督和无监督学习从文本文件。无监督SOM算法实现基于情感的可视化和分类任务。对于监督式情感分析，使用称为学习向量量化的竞争性学习算法。这两种算法还比较了各自的多通道实现，其中快速粗排序通过之后是一个微调通过。在在线电影评论数据集上的实验结果表明，SOM非常适合于基于情感的分类和情感极性可视化。
2013-09-16 cs.CL cs.IR cs.NE
Sentiment Analysis of Citations Using Word2vec
University of Nottingham Malaysia Campus（诺丁汉大学马来西亚校区）
引文情感分析是科技论文分析中的一项重要任务。现有的用于引文情感分析的机器学习技术主要集中在劳动密集型特征工程上，这需要大量的注释语料库。word2vec作为一种自动特征提取工具，已成功应用于短文本的情感分析。在这项工作中，我进行了实证研究的问题：如何以及word2vec工作的情感分析的引文？该方法通过对从Anthology Collections（ACL-Embeddings）中学习的词嵌入进行平均来构造句子向量（sent2vec）。我还研究了极性特定的词嵌入（PS嵌入）分类积极和消极的引文。句子向量形成一个特征空间，被检查的引用句子被映射到该特征空间。将这些特征输入分类器（支持向量机）进行监督分类。使用10-交叉验证方案，进行了评价的一组注释的引文。结果表明，词嵌入对正、负引文的分类是有效的。然而，手工制作的功能表现更好的整体分类。
2017-04-01 cs.CL
A Failure of Aspect Sentiment Classifiers and an Adaptive Re-weighting Solution
Tsinghua University（清华大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于情感的情感分类（ASC）是细粒度情感分析中的一个重要任务。深度监督ASC方法通常将此任务建模为成对分类任务，该成对分类任务采用方面和包含该方面的句子，并输出该句子中方面的极性。然而，我们发现许多现有的方法无法学习有效的ASC分类器，而更像是一个句子级别的情感分类器，因为它们很难处理不同方面的不同极性的句子。本文首先证明了这个问题，使用几个国家的最先进的ASC模型。然后，它提出了一种新的和通用的自适应重新加权（ARW）计划，以调整训练，以显着提高ASC这样的复杂句子。实验结果表明，该框架是有效的\footnote{The dataset and code are available at \url{https://github.com/howardhsu/ASC_failure}.} .
2019-11-04 cs.CL
Two-dimensional Sentiment Analysis of text
University at Buffalo（布法罗大学）
情感分析的目的是获得文本的潜在观点，它可以是任何持有主观意见，如在线评论，电影评级，评论博客文章等。本文提出了一种新的方法，分类文本在二维的【形】情感空间，基于作者的情感。该方法利用现有的词汇资源来提取特征集，并使用监督学习技术对特征集进行训练。
2014-06-08 cs.CL cs.IR
Sentiment Analysis : A Literature Survey
Indian Institute of Technology, Bombay（印度理工学院孟买分校）
我们的日常生活总是受到人们想法的影响。别人的想法和意见总是会影响我们自己的意见。Web 2.0的爆炸式增长导致了播客、博客、标签、RSS贡献、社会书签和社交网络的活动增加。因此，人们对挖掘这些庞大的数据资源以获得意见的兴趣爆发了。情感分析或意见挖掘是对文本的意见、情感和主观性的计算处理。在这份报告中，我们来看看情感分析的各种挑战和应用。我们将详细讨论各种方法来执行情感和意见的计算处理。各种监督或数据驱动的技术，如天真的Byes，最大熵，SVM和投票感知器SA将被讨论，他们的优点和缺点将被触及。我们还将看到认知心理学分析情感的新维度，主要是通过Janyce Wiebe的工作，在那里我们将看到如何检测主观性，叙事中的视角和理解话语结构。我们也会研究情感分析中的一些特定主题和这些领域的当代作品。
2013-04-16 cs.CL
Subjective Sentiment Analysis for Arabic Newswire Comments
本文提出了一种基于监督机器学习方法的方法来区分积极，消极和中立的阿拉伯语评论在线新闻专线。语料库被标记为主观性和情感分析（SSA）在话语水平。该模型使用计数和TF-IDF表示，并应用六种机器学习算法;多项式朴素贝叶斯，支持向量机（SVM），随机森林，逻辑回归，多层感知器和使用uni-gram，bi-gram特征的k-最近邻。其目标是从书面文本中提取用户情感。实验结果表明，n-gram特征可以大大提高性能，并表明多项式朴素贝叶斯方法在预测主题极性方面是最准确的。使用基于单词的uni-gram和bi-gram组合训练的计数向量实现了最佳结果，两个类的总体准确率为85.57%，三个类的总体准确率为65.64%。
2019-11-09 cs.CL
Generative Aspect-Based Sentiment Analysis with Contrastive Learning and Expressive Structure
University of Michigan（密歇根大学）
生成模型在基于情感的情感分析（ABSA）任务上表现出令人印象深刻的结果，特别是对于提取情感-类别-意见-情感（ACOS）四元组的新兴任务。然而，这些模型难以处理隐含的情感表达，这通常在在线评论等固执己见的内容中观察到。在这项工作中，我们介绍了GEN-SCL-NAT，它包括两个技术，用于改进ACOS四重提取的结构化生成。首先，我们提出了GEN-SCL，这是一种有监督的对比学习目标，通过鼓励模型产生在关键输入属性（如情感极性和隐含意见和方面的存在）中可区分的输入表示来帮助四重预测。其次，我们介绍了GEN-NAT，一种新的结构化生成格式，可以更好地适应自回归编码器-解码器模型，以生成方式提取四元组。实验结果表明，GEN-SCL-NAT在三个ACOS数据集上都取得了最好的性能，平均F1提高了1.48%，在LAPTOP-L1数据集上最大提高了1.73%。此外，我们看到显着的收益隐方面和意见分歧已被证明是具有挑战性的现有ACOS方法。
2022-11-14 cs.CL
From Stars to Insights: Exploration and Implementation of Unified Sentiment Analysis with Distant Supervision
Peking University（北京大学）；University of Notre Dame（南达科他大学）
本文提出统一情感分析范式及远程监督金字塔网络（DSPN），通过金字塔结构分层捕获词、方面和文档级情感，仅用星级标签即可实现与基准模型相当的性能且具可解释性。
2025-08-13 cs.CL
Preparing Bengali-English Code-Mixed Corpus for Sentiment Analysis of Indian Languages
SRM University（SRM大学）；Jadavpur University（贾达普大学）
最近，已经相当密集地尝试了对社交用户的信息内容和情感的分析。大多数系统只适用于单语数据，当用于具有代码混合属性的数据时失败或给出较差的结果。为了吸引人们的注意力并鼓励研究人员致力于这场危机，我们准备了黄金标准的孟加拉语-英语代码混合数据，其中包含语言和极性标签，用于情感分析。在本文中，我们讨论了我们准备收集和过滤原始Twitter数据的系统。为了减少人工工作，而注释，混合系统相结合的基于规则和监督模型开发的语言和情感标记。最终的语料库由一组注释者按照一些准则进行注释。由此获得的黄金标准语料库具有令人印象深刻的注释者间的一致性，获得的Kappa值。代码混合指数（CMI），代码混合因子（CF）以及各个方面（语言和情感）等各种指标也定性地调查了语料库的代码混合和情感属性。
2018-03-11 cs.CL
An Automatic Contextual Analysis and Clustering Classifiers Ensemble approach to Sentiment Analysis
La Trobe University（拉筹伯大学）
产品评论是决定公众情绪的主要资源之一。现有的评论情感分析方法主要采用监督范式，需要对标注数据进行训练，且存在领域依赖性。针对这些问题，提出了一种基于无监督集成学习的全自动情感分析方法。 该方法分为二个步骤.第一阶段是语境分析，它有五个过程，即（1）资料准备;（2）拼写纠正;（3）强化处理;（4）否定处理;（5）对比处理。第二阶段包括无监督学习方法，它是使用具有不同权重方案的多数投票机制的聚类分类器的集合。该集成方法的基础分类器是一种改进的k均值算法。通过SentWordNet（SWN）从特征集中提取初始质心，对基分类器进行改进。本文还介绍了澳大利亚航空公司和房屋建筑商的新的情感分析问题，这些问题为情感分析领域提供了潜在的基准问题。在不同领域的数据集上的实验表明，上下文分析和集成阶段在准确性、稳定性和泛化能力方面都有很大的提高。
2017-05-29 cs.CL
Amobee at SemEval-2017 Task 4: Deep Learning System for Sentiment Detection on Twitter
Amobee
本文描述了Amobee情感分析系统，适用于SemEval 2017任务4的竞争。该系统由两部分组成：基于Twitter情感树库的RNN模型的监督训练，以及使用前馈NN，朴素贝叶斯和逻辑回归分类器为不同的子任务生成预测。该算法在5标签分类任务（子任务C）中获得第3名。
2017-05-03 cs.CL stat.ML
Projecting Embeddings for Domain Adaptation: Joint Modeling of Sentiment Analysis in Diverse Domains
University of Stuttgart（斯图加特大学）；Universitat Pompeu Fabra（庞培法布拉大学）
情感分析的领域自适应具有挑战性，因为监督分类器对领域的变化非常敏感。解决这个问题的两种最突出的方法是结构对应学习和自动编码器。然而，它们要么需要很长的训练时间，要么在高度不同的领域中受到极大的影响。受跨语言情感分析最新进展的启发，我们提供了一个新的视角，并将领域自适应问题作为嵌入投影任务。我们的模型将两个单域嵌入空间作为输入，并学习将它们投影到双域空间，该双域空间被联合优化以（1）跨域投影和（2）预测情感。我们在20个源-目标域对上进行了领域自适应实验，用于情感分类，并在11个域对上报告了最新的结果，包括Amazon领域自适应数据集和SemEval 2013和2016数据集。我们的分析表明，我们的模型在相似的域上执行最先进的方法，而在高度不同的域上执行得更好。我们的代码可在https://github.com/jbarnesspain/domain_blse上获得
2018-06-13 cs.CL
Robust Incomplete Multimodal Sentiment Analysis via Iterative Proxy Correction
Renmin University of China（中国人民大学）；Anhui Polytechnic University（安徽工程大学）
针对不完整多模态情感分析中一次性代理初始化粗糙的问题，提出迭代代理修正框架，在MOSI等数据集上实现了优于基线的鲁棒情感预测。
2026-08-21 cs.CL
Word2Vec and Doc2Vec in Unsupervised Sentiment Analysis of Clinical Discharge Summaries
University of Ottawa（渥太华大学）；Dalhousie University（达尔豪斯大学）
本研究探讨Word2Vec和Doc2Vec在出院小结情感分析中的应用。我们应用了无监督学习，因为数据集没有情感注释。注意，无监督学习是比监督学习更现实的场景，监督学习需要访问情感注释数据的训练集。我们的目标是检测是否存在对某种疾病的潜在偏见。我们使用SentiWordNet为数据集建立黄金情感标准，并评估Word2Vec和Doc2Vec方法的性能。我们已经表明，Word2Vec和Doc2Vec方法在数据集的情感分析中相互补充。
2018-05-01 cs.CL cs.LG
Shared and Private Information Learning in Multimodal Sentiment Analysis with Deep Modal Alignment and Self-supervised Multi-Task Learning
School of Information Science and Engineering, Shandong University（山东大学信息科学与工程学院）；School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院）；Geography and Planning, Sun Yat-sen University（中山大学地理科学与规划学院）；Department of Military Medical Psychology, Air Force Medical University（空军军医大学军事医学心理学系）；National University of Singapore（新加坡国立大学）；Assets and Laboratory Management Department, Shandong University（山东大学资产与实验室管理部）
提出基于协方差矩阵的深度模态共享信息学习模块和自监督标签生成模块，结合多任务学习，在多模态情感分析中同时捕获共享与私有信息，在三个公共数据集上多数指标超越现有最先进方法。
2024-03-19 cs.CL cs.CV
Comparing and Combining Sentiment Analysis Methods
UFMG（米纳斯吉拉斯联邦大学）；KAIST（韩国科学技术院）
一些信息表达了对事件，产品和服务，政治观点甚至作者的情绪状态和情绪的看法。情感分析已经被用于多种应用中，包括分析社交网络中事件的影响，分析关于产品和服务的意见，以及简单地更好地理解在线社交网络（OSN）中社交通信的方面。有多种方法用于测量情感，包括基于词汇的方法和监督机器学习方法。尽管一些方法的广泛使用和流行，但不清楚哪种方法更好地用于识别极性（即，正面或负面），因为当前文献没有提供现有方法之间的比较方法。这种比较对于理解分析OSN消息内容的流行方法的潜在限制、优点和缺点至关重要。我们的研究旨在通过比较八种流行的情感分析方法的覆盖率（即，情感被识别的消息的部分）和一致性（即，与地面实况一致的所识别的情感的分数）。我们开发了一种新的方法，结合现有的方法，提供最佳的覆盖范围的结果和竞争力的协议。我们还提出了一个免费的Web服务，称为iFeel，它提供了一个开放的API，用于访问和比较不同的情感方法为给定的文本的结果。
2014-05-30 cs.CL
Open Aspect Target Sentiment Classification with Natural Language Prompts
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Lexalytics, Inc.（Lexalytics公司）
对于许多商业应用程序，我们经常试图分析与商业产品的任何任意方面相关的情感，尽管标签数量非常有限，甚至根本没有任何标签。然而，现有的方面目标情感分类（ATSC）模型是不可训练的，如果注释数据集不可用。即使使用标记数据，它们也无法达到令人满意的性能。为了解决这个问题，我们提出了简单的方法，更好地解决ATSC与自然语言提示，使任务下zero-shot的情况下，并加强监督设置，特别是对于Few-Shot的情况下。在SemEval 2014任务4笔记本电脑域的Few-Shot设置下，我们将ATSC重新制定为NLI任务的方法优于监督SOTA方法，准确度高达24.13点，宏F1点为33.14。此外，我们证明了我们的提示也可以处理隐含的方面：我们的模型在检测方面类别的情感时达到了77%的准确率（例如，food），其不一定出现在文本中，即使我们仅用明确提到的方面术语训练模型（例如，fajitas），而无提示基线的准确率仅为65%左右。
2021-09-08 cs.CL cs.LG
Aspect Term Extraction using Graph-based Semi-Supervised Learning
Jamia Millia Islamia（贾米亚·米利亚·伊斯兰大学）
基于方面的情感分析是情感分析的一个主要分支。过去已经提出了许多有监督和无监督的方法来检测和分析方面术语的情感。本文提出了一种基于图的半监督学习方法进行特征词提取。在这种方法中，使用标签扩展算法将评论文档中的每个识别的令牌从一小组标记的令牌中分类为方面或非方面术语。在所提出的方法中采用了用于图稀疏化的k-最近邻（kNN），使其具有更高的时间和内存效率。所提出的工作进一步扩展到确定的极性的意见词与审查句子中的识别方面的条款，以产生视觉方面为基础的摘要的审查文件。实验研究是在餐馆和笔记本电脑领域的基准数据集和爬行数据集上进行的，具有不同的标记实例值。实验结果表明，该方法在标注数据有限的情况下，能够取得较好的查准率、查全率和查准率。
2020-02-20 cs.CL cs.LG stat.ML
Joint Sentiment/Topic Modeling on Text Data Using Boosted Restricted Boltzmann Machine
Isfahan University of Technology（伊斯法罕理工大学）
近年来，随着互联网和Web的发展，不同类型的社交媒体（如网络博客）成为文本数据的巨大来源。通过对这些数据的处理，可以发现有关不同主题，个人意见和对社会的全面了解的实用信息。因此，应用能够自动从文档中提取主观信息的模型将是有效和有用的。主题建模方法和情感分析是自然语言处理和文本挖掘领域中最热门的研究课题。本文提出了一种基于受限玻尔兹曼机（RBM）的神经网络的联合情感-主题建模的新结构。通过修改RBM的结构，以及附加一个层，这是类似于文本数据的情感，我们提出了一个基于神经网络的联合情感主题建模的生成结构。所提出的方法是监督和训练的对比发散算法。该模型中的新附加层是具有多项式概率分布的层，可以用于文本数据情感分类或任何其他监督应用。通过生成式评测、情感分类、信息检索等实验，将该模型与现有模型进行了比较，结果表明了该方法的有效性。
2017-11-10 cs.CL cs.IR cs.LG
Unsupervised Self-Training for Sentiment Analysis of Code-Switched Data
Carnegie Mellon University（卡内基梅隆大学）
情感分析是理解社交媒体内容的一项重要任务，如客户评论，Twitter和Facebook提要等。在世界各地的多语言社区中，大量的社交媒体文本的特点是存在语码转换。因此，建立能够处理代码转换数据的模型变得非常重要。然而，带注释的代码转换数据是稀缺的，需要无监督的模型和算法。我们提出了一个通用的框架，称为无监督的自我训练，并显示其应用程序的代码转换数据的情感分析的特定用例。我们使用预训练的BERT模型的能力进行初始化，并以无监督的方式对其进行微调，仅使用由zero-shot传输产生的伪标签。我们测试我们的算法在多种代码转换语言，并提供了一个详细的分析，学习动态的算法的目的是回答这个问题-“我们的无监督模型理解代码转换语言，还是只是学习它的表示？'.我们的无监督模型与有监督模型竞争良好，与针对两类问题训练的有监督模型相比，其性能达到1-7\%（加权F1分数）。
2021-10-01 cs.CL cs.LG
Multi-Aspect Sentiment Analysis with Latent Sentiment-Aspect Attribution
University of Houston（休斯顿大学）
在本文中，我们介绍了一个新的框架，称为情感方面归因模块（SAAM）。SAAM工作在传统的神经网络之上，旨在解决多方面的情感分类和情感回归问题。该框架的工作原理是利用文件级嵌入功能和文档级方面评分的变化之间的相关性。我们在基于CNN和RNN的模型之上展示了我们框架的几种变体。在酒店评论数据集和啤酒评论数据集上的实验表明，SAAM可以提高相应基础模型的情感分析性能。此外，由于我们的框架直观地将文档级分数与文档级分数结合在一起，因此能够更深入地了解数据（例如，半监督句子体标记）。因此，我们以详细的分析结束了本文，展示了我们的模型在其他应用中的潜力，如情感片段提取。
2020-12-15 cs.CL cs.LG
Zero-Shot Aspect-Based Sentiment Analysis
Amazon AWS AI（亚马逊AWS人工智能）；Facebook AI Research（脸书人工智能研究院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于语义的情感分析（ABSA）通常需要域内注释数据用于监督训练/微调。将ABSA扩展到大量新领域是一个巨大的挑战。本文的目的是训练一个统一的模型，可以执行zero-shot ABSA，而不使用任何注释的数据为一个新的领域。本文提出了一种基于复习自然语言推理（CORN）的对比后训练方法。以后的ABSA任务可以转换到NLI中进行zero-shot传输。我们评估了CORN的ABSA任务，从方面提取（AE），方面的情感分类（ASC），端到端的基于方面的情感分析（E2 E ABSA），这表明ABSA可以进行没有任何人类注释的ABSA数据。
2022-02-15 cs.AI cs.CL
Deep Context- and Relation-Aware Learning for Aspect-based Sentiment Analysis
Netmarble AI Center（网石AI中心）；Kakao Corp.（Kakao公司）；Wisenut Inc.（Wisenut公司）；Kakao Enterprise（Kakao企业）；Konkuk University（建国大学）
现有的基于方面的情感分析（ABSA）工作采用了统一的方法，它允许子任务之间的交互关系。然而，我们观察到，这些方法倾向于预测极性的方面和意见条款的字面意义的基础上，主要考虑的关系隐含在字的水平上的子任务。此外，用极性识别多个方面-观点对更具挑战性。因此，全面理解语境信息有助于我们更好地理解语境信息。在ABSA中进一步要求这方面和意见。在本文中，我们提出了深度上下文化的任务感知网络（DCRAN），它允许基于两个模块（即，方面和意见传播和明确的自我监督策略）。特别是，我们为ABSA设计了新的自监督策略，这些策略在处理多个方面具有优势。实验结果表明，DCRAN显着优于以前的国家的最先进的方法，大利润率在三个广泛使用的基准测试。
2021-06-07 cs.AI cs.CL
