本研究提出了M-ABSA，一个涵盖7个领域和21种语言的多语言基于方面的情感分析数据集，旨在推动多语言ABSA研究进展。

本研究提出了DS$^2$-ABSA框架，旨在解决低资源环境下少样本基于方面的情感分析中的数据稀缺问题。该框架通过关键点驱动和实例驱动生成多样化样本，并集成标签精细化模块以提高标签准确性。实验结果表明，DS$^2$-ABSA在性能上显著优于以往方法。

介绍了PFInstruct生成框架，可扩展到任何ABSA子任务，通过添加NLP任务前缀，在SemEval子任务中表现更好，超越了最新结果的Rest14和AOOE子任务，同时在生物医学领域数据集上也取得了有竞争力的结果。

本文介绍了一种将ABSA子任务转换为生成式公式的方法，并利用预训练模型BART解决所有ABSA子任务的端到端框架。实验证明该方法在四个数据集上取得了显著的性能提升，为ABSA子任务提供了统一的解决方案。

该文综述了目前各种基于方面的情感分析（ABSA）任务及其解决方案，包括情感元素和预训练语言模型。强调了对多元素ABSA任务研究的重要性，并总结了预训练语言模型在ABSA中的应用。讨论了构建更实用的ABSA系统的技术和ABSA未来发展的方向与挑战。

该研究开发了一个ABSA模型，能够从地理定位的城市评价中提取城市方面并进行情感分类。通过对2500个公共公园的众包评价进行数据标注，并使用带有局部上下文焦点的BERT模型进行训练，该模型在城市评价的方面术语提取和情感分类任务中表现出显著的预测准确性。通过空间可视化展示了波士顿的正负城市方面。希望该模型对设计师和规划师进行细粒度的城市情感评价有所帮助。

本文使用预训练序列到序列模型BART，通过生成式公式解决所有ABSA子任务，实现了统一的端到端框架。实验结果表明，在四个ABSA数据集上实现了实质性的性能提升。