| He*[16] | LSM | 借助对源语言情感词典的翻译，得到目标语言的情感词先验知识，纳入到LDA模型进行学习 | 中国商品评论数据 | 英-中 | 81.41 |
| Zhang等*[17] | ATTM | 基于训练集选择，将与目标语言高度相似的标记样本放入训练集中，构建一个以目标语言为中心的跨语言情感分类器 | 测试集： COAE2014；
训练集：中国科学院计算技术研究所带标记中文数据集 | 中-德 | 84.3 |
| 中-英 | 87.7 |
| 中-法 | 80.1 |
| 中-西 | 83.3 |
| Al-Shabi等*[18] | SVM、NB、KNN | 设置标准数据集对机器翻译优化，以此找到最优的基线模型，并确定了机器翻译数据中的噪声与情感分类精度之间的关系 | 亚马逊产品评论 | 英-阿 | — |
| Hajmohammadi等*[19] | MLMV | 将多种源语言的标记数据作为训练集，克服从单一源语言到目标语言的机器翻译过程导致的泛化问题 | 亚马逊产品评论；
Pan Reviews数据集 | 英+德-法 | 79.85 |
| 英+法-德 | 81.55 |
| 英+法-日 | 73.73 |
| 英+日-中 | 76.65 |
| Hajmohammadi等*[20] | DBAST | 将目标语言无标记文档通过机器翻译转化为源语言文档后，从中选择信息量最大、最可信的样本进行标记以丰富训练数据 | 亚马逊产品评论；
Pan Reviews数据集 | 英-法 | 78.63 |
| 英-中 | 71.36 |
| 英-日 | 70.04 |
| Hajmohammadi等*[21] | Graph-Based
Semi-Supervised
Learning Model | 提出一种基于多视图的半监督学习模型，将目标语言中未标记的数据合并到多视图半监督学习模型中，即在文档级分析中加入目标语言内在结构的学习 | 亚马逊产品评论；
Pan Reviews数据集 | 英-中 | 73.81 |
| 英-日 | 72.72 |
| Lu等&[22] | Joint | 联合双语有情感标注的平行语料库和未标记平行数据，为每种语言同时学习更好的单语情感分类器 | MPQA； NTCIR-EN；
NTCIR-CH； ISI中-
英平行语料库 | 英-中 | 83.54 |
| 中-英 | 79.29 |
| Meng等&[23] | CLMM | 不依赖机器翻译标记目标语言文本，从未标记的平行语料库中通过拟合参数学习情感词，扩大词汇覆盖率 | MPQA； NTCIR-EN；
NTCIR-CH； ISI中-
英平行语料库 | 英-中 | 83.02 |
| Gao等&[24] | BLP | 基于平行语料库和词对齐构建双语词图，从现有源语言（英语）情感词典中学习到目标语言的情感词典 | General Inquirer Lexicon；ISI中-英平行语料库；NTCIR情感语料库 | 英-中 | 78.90 |
| Zhou等&[25] | NMF | 提出一个子空间学习框架，利用少量文档对齐的并行数据和双语下非并行数据，缩小源语言和目标语言的差距 | 亚马逊产品评论 | 英-法 | 81.83 |
| 英-德 | 80.45 |
| 英-日 | 75.78 |
| 法-英 | 79.47 |
| 德-英 | 79.56 |
| 日-英 | 78.79 |