标签
本文利用深度学习方法（LCF-BERT-CDM）研究了《自然·通讯》多轮同行评审中方面级情感的分布与演化，实现了82.65%的宏F1值，并发现随着评审轮次增加，正面情感上升而负面情感下降。
本文系统研究了Twitter数据情感分析预处理技术的最佳顺序，发现分词影响最大，拼写纠正影响最小，最佳顺序为：分词、清洗、词干提取、停用词去除。
本文提出一个可扩展的框架，利用LLM对定性反馈中的产品需求度进行隐式情感分析，实现了高达0.97的皮尔逊相关系数和94%的准确率，并提供解释，其中GPT-4o-mini在成本降低94%的情况下实现了相似的性能。
介绍了一种利用合成数据进行蒸馏的金融情感分析框架，将知识从大型教师模型迁移到紧凑学生模型，并采用基于聚类的种子选择方法实现高效的低资源领域适应。
Correl8 AI 是一个 MCP 工具，让 AI 代理能够直接报告有意义的用户反馈，比如错误、困惑和功能请求，帮助团队在不查看所有聊天记录的情况下发现产品信号。
构建了一个AI管道，将金融新闻转化为结构化分析，包括情感、风险和机遇，重点通过提示工程和验证确保一致性。
一个即将开源的AI工具，利用DeepSeek自动抓取AppStore用户评价并进行信息挖掘，帮助产品经理了解用户反馈、版本问题和产品机会。
本文提出了一种统一的多模态框架，融合强化学习、高频交易、博弈论方法及跨模态情感分析，用于构建智能金融系统，并声称相比单领域系统有显著提升。
本文探讨了主题情感是否对新闻文章中感知到的政治意识形态产生因果影响，比较了来自 AllSides 的人类标注与来自包括 GPT-4o-mini 和 Llama-3.3-70B 在内的 LLM 标注。研究发现，微调后的 GPT-4o-mini 表现出一种虚假的情感-意识形态耦合，而这种耦合在人类判断中并不存在，这凸显了在因果分析中使用 LLM 标注作为代理的风险。
本文提出了一种基于文本的因果推断方法，通过改进的 CausalBERT 模型，解析各独立维度（如学校管理、学业表现）对在线评价总体评分的影响，并在超过 60 万条美国 K-12 学校评价数据上进行了验证。主要改进包括：温度缩放、超参数优化以及可解释性方法，以减少混淆偏差。
ACAT 是一个基于 Web 的协作标注平台，支持四种基于方面的情感分析（ABSA）工作流，其核心特性是在导出时自动运行 ETL 流水线以计算标注者间一致性（IAA）指标，从而直接生成可用于训练的数据集。该平台在 1,002 条餐厅评论上完成了验证，标注中位耗时为 31.58 秒，原始 IAA 最高达 0.86。
一个包含299,329条关于气候变化的公开Facebook帖子的大规模数据集，附带元数据和主题与参与度分析，旨在支持气候话语研究。
介绍了GHI，一种基于条件超图关联的Graphormer框架，用于面向方面的情感分析。该框架将语言证据表示为令牌-超边关联关系，在六个基准测试上以仅247M参数达到了最先进的性能。
本文比较了多种机器学习与Transformer模型在电影评论情感分类中的表现，发现RoBERTa达到了93.02%的准确率，而软投票集成方法进一步提升了性能。
本文使用基于BERT的大型语言模型对Decentraland的Discord社区进行情感分析，以提升MANA代币价格预测，并证明融合情感、交易量和市值信息的多模态LSTM模型优于仅使用价格信息的基线模型。
本文提出了一种利用大语言模型进行阿拉伯语金融情绪分析的框架，专门针对沙特市场，整合新闻和社交媒体数据以捕捉投资者情绪。
本文提出了一种用于情感强度评估的生成式框架，将离散分类转变为0-100的连续评分。该框架在金融等领域展现了优越的性能和泛化能力。
Jenova AI推出了一款品牌监控工具，可在一次请求中搜索多个平台（Reddit、YouTube、X、LinkedIn、TikTok、Amazon、Google），具备智能关键词覆盖、情感分析和竞争对比功能。
该论文提出了一种基于Transformer的模型，用于在连续的左-右光谱上预测德语政治文本的政治意识形态。研究比较了13个模型，发现DeBERTa-large和Gemma2-2B在不同任务上表现最佳。