基于对抗训练的多源无监督域自适应情感分析
计算与语言
2020-06-11 v1
摘要
面向情感分析（SA）的多源无监督域自适应（MS-UDA）旨在利用多个源域中的有用信息，辅助在无可监督信息的无标签目标域中进行 SA。现有的 MS-UDA 算法要么仅利用共享特征（即域不变信息），要么基于自然语言处理中的一些弱假设（如平滑假设）。为避免这些问题，我们提出两种基于多源域自适应方法的 SA 迁移学习框架，通过组合源假设推导良好的目标假设。第一个框架的关键特征是一种基于加权方案的无监督域自适应框架（WS-UDA），它组合源分类器直接为目标实例获取伪标签。第二个框架是基于两阶段训练的无监督域自适应框架（2ST-UDA），它进一步利用这些伪标签训练目标私有提取器。重要的是，分配给每个源分类器的权重基于目标实例与源域之间的关系，该关系由判别器通过对抗训练度量。此外，通过同一判别器，我们还实现了共享特征与私有特征的分离。在两个 SA 数据集上的实验结果表明了我们框架的优异性能，其优于无监督的最先进竞争对手。
引用
@article{arxiv.2006.05602,
title = {Adversarial Training Based Multi-Source Unsupervised Domain Adaptation for Sentiment Analysis},
author = {Yong Dai and Jian Liu and Xiancong Ren and Zenglin Xu},
journal= {arXiv preprint arXiv:2006.05602},
year = {2020}
}