同时，他们用表情符号来标注微博情感，用同样的计算方式构造了另一个新的情感词典。在对Tweets进行情感分类时，他们采用了多种类别的特征：词汇ngrams特征、字符ngrams特征、大写字符个数、词性特征、主题词(hashtag)特征、根据情感词典获得的一条tweets中每个词汇的情感得分、标点符号特征、表情符号特征等。
他们使用SVM分类器对数据集进行正负向情感分类，其中在Tweets上的情感分类获得了0.690的F值，在SMS数据集上获得了0.685的F值，在两个数据集上均获得了Sem-Eval2013竞赛中第一的排名4。
情感词典与类似，Kokciyan等人也采用了多种类型的特征集合对Tweets进行情感分类。他们采用了如下多种特征：是否包含表情符号、是否有hashtag、英语单词的字符串形状、微博的最后一个词汇、情感词、否定词、hashtag、词性、n-grams特征等。
在对Tweets进行情感分类时，由于负向数据较少，直接将Tweets进行分类导致了负向类别的分类效果较差。
因而他们是用了两个分类器对Tweets进行正向、负向和中性类别的分类。其中一个分类器为正向分类器，采用最大熵模型，另一个分类器为负向分类器，采用NaïveBayes模型。
根据这两个分类器的结果判定Tweets的情感倾向。最终他们的实验中，正负向类别的平均F值为0.635.
Jaggi等人的工作在的基础上进行了优化。与不同的是，他们采用了稀疏线性分类器，而非密集分类器。
同时他们丢弃了n-grams的特征，而采用词性n-grams特征，在词性n-grams特征中，最多有两个词汇是微博中原来的词汇，剩下的词汇都被它们的词性所取代。
此外，他们还添加了两个新的情感词典，包括正向、负向、中性情感词汇，而非传统的只包含正负向词汇的情感词典。
