基于可追溯异构图表示学习的跨领域方面类别迁移与检测
计算与语言
2019-09-02 v1
摘要
方面类别检测是情感分析与观点挖掘中的一项基本任务。然而，类别数据标注的成本（例如为大量产品领域标注评论的方面信息）虽不可避免却难以承受。在本研究中，我们提出一个新问题：跨领域方面类别迁移与检测，其面临三个挑战：不同的特征空间、不同的数据分布以及多样的输出空间。为解决这些问题，我们提出一种创新方案——可追溯异构图表示学习（THGRL）。与以往基于文本的方面检测工作不同，THGRL 通过异构图上海量的用户行为信息来探索潜在的领域方面类别关联。此外，引入一种创新的潜变量“Walker Tracer”来刻画全局语义/方面依赖关系，并捕获随机游走路径上的信息性顶点。利用 THGRL，我们将不同领域的特征空间投影到一个公共空间中，同时允许数据分布与输出空间保持差异。实验结果表明，所提方法优于一系列最先进的基线模型。
引用
@article{arxiv.1908.11610,
title = {Cross-domain Aspect Category Transfer and Detection via Traceable Heterogeneous Graph Representation Learning},
author = {Zhuoren Jiang and Jian Wang and Lujun Zhao and Changlong Sun and Yao Lu and Xiaozhong Liu},
journal= {arXiv preprint arXiv:1908.11610},
year = {2019}
}
备注
Accepted as a full paper of The 28th ACM International Conference on Information and Knowledge Management (CIKM '19)