CLASSIC：面向方面情感分类任务的持续与对比学习
计算与语言
2021-12-21 v1 人工智能
机器学习
神经与进化计算
摘要
本文研究在称为域增量学习（DIL）的特定持续学习（CL）设定下，对一系列方面情感分类（ASC）任务进行持续学习。每个任务来自不同的领域或产品。DIL设定尤其适用于ASC，因为在测试时系统无需知道测试数据所属的任务/领域。据我们所知，该设定此前尚未在ASC中被研究过。本文提出一种称为CLASSIC的新模型。其核心创新是一种对比持续学习方法，能够实现跨任务的知识迁移以及从旧任务到新任务的知识蒸馏，从而消除了测试中对任务id的需求。实验结果表明了CLASSIC的高效性。
引用
@article{arxiv.2112.02714,
title = {CLASSIC: Continual and Contrastive Learning of Aspect Sentiment Classification Tasks},
author = {Zixuan Ke and Bing Liu and Hu Xu and Lei Shu},
journal= {arXiv preprint arXiv:2112.02714},
year = {2021}
}