本研究针对商品评价中特征标签提取的低鲁棒性问题，提出了一种融合依赖解析与情感极性分析的新方法。这一方法显著提高了提取的准确性，实验结果显示准确度达到0.7，召回率和F-score稳定在0.8，表明其有效性。然而，该方法仍依赖于匹配词典，且提取特征标签的范围有限，需在未来研究中进一步探讨。

通过机器学习模型基于太阳丝状物观测生成变化的磁极性图，使用 McIntosh 编制的太阳丝状物和极性地图目录进行评估和结果讨论，展示了用户引导下的重建或超分辨过程可以得到与手绘极性地图相似且能进行不确定性评估的结果。

本文介绍了一种基于情感分析的新数据集和实验结果。实验发现，在议会数据上进行额外预训练可以显著提高模型性能，特别是在情感检测任务上。多语言模型在未知语言上表现良好，并且其他语言的额外数据可以提高目标议会的结果。该研究对社会科学做出了重要贡献，结合计算机科学和计算语言学，建立了一种可靠的政治文本情感分析方法。

本文介绍了一种基于情感分析的新数据集，用于训练情感分类器，特别是在议会会议中。研究引入了第一个领域特定的语言模型（LLM）用于政治科学应用，并在27个欧洲议会的会议记录中进行了1.72亿专业领域词汇的预训练。实验证明，LLM的额外预训练可以显著提高模型性能，尤其是在情感检测等具体领域任务上。研究还显示多语言模型在未知语言上表现良好，并且其他语言的额外数据显著提高了目标议会的结果。该研究对社会科学做出了重要贡献，并将其与计算机科学和计算语言学相结合，建立了一种可靠的政治文本情感分析方法。

本文提出了一种基于多层次探测极性语言的词向量模型的文本去极性框架，通过对11个话题的99个故事应用该方法，实现了文本去极性。作者使用自动和半自动模式比较分析原始文本和去极性后的文本，并通过161个人类测试人员获得高反馈，证明了该方法在有效去极性的同时保留了原始文本的信息。

薄层色谱（TLC）是分子极性分析中关键的技术。为了解决TLC预测模型的解释性问题，研究者引入了无监督的分层符号回归（UHiSR）方法，结合了分层神经网络和符号回归。UHiSR可以自动提取具有化学直观性的极性指数，并找到了将分子结构与色谱行为相关联的解释方程。

基于极性感知去噪的情感转换模型，通过在生成文本中准确控制情感属性，以极大程度保留内容，平衡风格和内容之间的权衡，实现了更好的内容保留效果。

该文介绍了一种基于多层次探测极性语言的词向量模型的文本去极性框架，用于检测和取代媒体报道中的极性语言，实现文本去极性。作者通过对11个话题的99个故事应用该方法，获得高反馈，证明了该方法在有效去极性的同时保留了原始文本的信息。