DAN：用于使立场分类器适应新领域的双视图表示学习
计算与语言
2020-03-17 v1 机器学习
摘要
我们通过领域自适应来适应域外分类器，以解决新领域中立场分类标注数量有限的问题。现有方法常将不同领域在单一全局特征空间（或视图）中对齐，这可能无法充分捕捉表达立场所用语言的丰富性，导致在立场数据上的适应性降低。本文中，我们识别出两种语言学上截然不同的主要立场表达类型，并提出一种定制的双视图自适应网络（DAN）来跨领域适应这些表达。所提模型首先在每个表达通道中学习一个独立的领域迁移视图，然后选取两视图中最佳自适应部分以实现最优迁移。我们发现，学习到的视图特征在任一或两视图中均更易对齐且更具立场判别性，从而在视图结合后形成更具可迁移性的整体特征。大量实验结果表明，我们的方法能增强最先进的单视图方法在不同领域间匹配立场数据的表现，并持续在各种自适应任务上改进这些方法。
引用
@article{arxiv.2003.06514,
title = {DAN: Dual-View Representation Learning for Adapting Stance Classifiers to New Domains},
author = {Chang Xu and Cecile Paris and Surya Nepal and Ross Sparks and Chong Long and Yafang Wang},
journal= {arXiv preprint arXiv:2003.06514},
year = {2020}
}
备注
Accepted at ECAI2020