目前，基於監督學習的情感分析仍然是主流。除了基於非負矩陣三因子分解(李等，2009)和遺傳算法(Abbasi等，2008)的情感分析，最常用的監督學習算法是樸素貝葉斯，K-最近鄰(K)。算法的改進主要在文本的預處理階段。
基於規則/無監督學習
與基於監督學習的情感分析相比，基於規則和無監督學習的研究並不多。除(Turney，2002)外，(朱等，2002)利用《知網》計算了漢語詞匯的情感傾向。(婁德成等，2006)利用句法結構和依存關系分析漢語句子語義，(Hiroshi等，2004)通過改造壹個基於規則的機器翻譯器實現日語短語級情感分析，(Zagibalov等，2008)在(Turney，2002)的SO-PMI算法基礎上深化了中文文本的特征。
跨領域情感分析
跨領域情感分析是情感分析的壹個新領域。目前這方面的研究並不多，主要是目前的研究沒有解決如何找到兩個領域之間的映射關系，或者說如何找到兩個領域之間特征權重的平衡關系。對跨領域情感分析的研究始於(Blitzer et al .，2007)將結構對應學習(SCL)引入跨領域情感分析。SCL是壹種廣泛使用的跨領域文本分析算法，SCL的目的是將訓練集中的特征盡可能映射到測試集中。(譚等，2009)將引入中文跨學科情感分析。(Tan2 et al .，2009)提出將基於樸素貝葉斯和EM算法的半監督學習方法應用於跨學科情感分析。(吳等，2009)基於EM的思想將圖排序算法應用到跨領域情感分析中，圖排序算法可以看作是壹個叠代的k-NN。