Phân tích quan điểm bắt đầu được nghiên cứu từ những năm 2000 với các bài tốn điển hình như phân lớp quan điểm cho văn bản [45, 61], phân lớp chủ đề [62–65], phát hiện và phân lớp văn bản rác [66–68]. Tuy nhiên, điểm hạn chế của các bài toán ban đầu là ngầm định đối tượng đối với các văn bản đầu vào và khơng xét tới các khía cạnh của thực thể đã được người dùng bày tỏ quan điểm trong văn bản đánh giá. Để giải quyết điểm yếu này, gần đây nhiều bài tốn phân tích quan điểm theo khía cạnh đã được quan tâm và nghiên cứu nhiều hơn cả. Các bài tốn điển hình trong phân tích quan điểm theo khía cạnh gồm có: trích xuất từ khía cạnh [4, 11, 13, 14, 69]; xác định khía cạnh [17–19]; phân loại quan điểm theo khía cạnh [27, 70]; xếp hạng khía cạnh [25, 33, 35]; xác định trọng số khía cạnh [26, 71]; xác định hạng và trọng số khía cạnh ẩn [1, 39, 40].
Tại Việt Nam cũng đã có những nghiên cứu cho các văn bản bằng Tiếng Việt. Các bài tốn điển hình đã được thực hiện như: khai phá câu so sánh [72]; phân tích quan điểm cho ý kiến đánh giá, phản hồi của sinh viên [73,74]; phân lớp quan điểm cho các ý kiến đánh giá trên website thương mại (ví dụ:TinhTe.vn,Tiki.vn, etc.) [75, 76]; xác định
khía cạnh [77].
Về các tiếp cận giải quyết bài toán tại Việt Nam, một số nghiên cứu cũng đã bắt đầu sử dụng các mơ hình học sâu, học biểu diễn cho các bài tốn cụ thể trong phân tích quan
điểm. Nguyen và các cộng sự [73] sử dụng các biến thể của mơ hình mạng bộ nhớ ngắn dài LSTM cho bài tốn phân tích quan điểm ý kiến đánh giá, phản hồi của sinh viên. Vo và các cộng sự [75] sử dụng mơ hình đa kênh kết hợp giữa mơ hình mạng bộ nhớ ngắn-dài (LSTM) và mơ hình mạng nơ-ron tích chập. Mai và các cộng sự [76] sử dụng mơ hình mạng nơ-ron hồi quy (bidirectional recurrent neural network) kết hợp với mơ hình xác suất truyền thốngCRF (conditional random field)thực hiện với bài toán phân lớp quan điểm cho các ý kiến đánh giá.