用于多源文本情感域适应的课程CycleGAN
计算与语言
2021-02-19 v2 人工智能
摘要
对社交网络中关于产品和服务的用户生成评论或意见进行情感分析，可帮助企业分析客户反馈并采取相应改进措施。为减少对目标域的大规模标注，域适应（DA）通过从其他已标注源域学习可迁移模型提供了替代方案。现有的多源域适应（MDA）方法要么未能提取目标域中与情感相关的某些判别性特征，要么忽视了不同源之间的相关性以及即使在同一源内不同子域间的分布差异，要么无法反映不同训练阶段中变化的的最优加权。在本文中，我们提出一种新颖的实例级MDA框架，称为课程循环一致生成对抗网络（C-CycleGAN），以解决上述问题。具体而言，C-CycleGAN由三个组件构成：（1）预训练文本编码器，将来自不同域的文本输入编码到连续表示空间；（2）具有课程实例级适应的中间域生成器，弥合源域与目标域之间的差距；（3）在中间域上训练用于最终情感分类的任务分类器。C-CycleGAN在实例级上将源样本迁移到更接近目标域且保留情感语义而不丢失判别性特征的中间域。此外，我们的动态实例级加权机制可在每个训练阶段为不同源样本分配最优权重。我们在三个基准数据集上进行了广泛实验，并相比最先进的DA方法取得了显著增益。我们的源代码发布于：https://github.com/WArushrush/Curriculum-CycleGAN。
引用
@article{arxiv.2011.08678,
title = {Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources},
author = {Sicheng Zhao and Yang Xiao and Jiang Guo and Xiangyu Yue and Jufeng Yang and Ravi Krishna and Pengfei Xu and Kurt Keutzer},
journal= {arXiv preprint arXiv:2011.08678},
year = {2021}
}
备注
Accepted by WWW 2021