基于增大类内间隔的领域自适应情感分析方法
计算与语言
2021-07-06 v1 机器学习
摘要
情感分析对企业而言是一项成本高昂但必要的任务，用于研究客户意见以改进产品并确定最优营销策略。由于不同产品和服务之间存在广泛领域，跨领域情感分析方法已受到显著关注。这些方法通过训练跨领域可泛化分类器来缓减不同应用间的领域鸿沟，从而有助于降低对每个领域进行数据标注的需求。大多数现有方法侧重于学习对源领域和目标领域均不变的领域无关表示。因此，使用源领域标注数据训练的分类器能够在相关目标领域中良好泛化。我们提出了一种新的领域自适应方法，其在嵌入空间中诱导不同类之间的大间隔。该嵌入空间通过匹配跨领域的数据分布而被训练为领域无关。源领域中的大类内间隔有助于降低“领域偏移”对目标领域分类器性能的影响。我们提供了理论与实证分析以证明所提方法的有效性。
引用
@article{arxiv.2107.01598,
title = {Domain Adaptation for Sentiment Analysis Using Increased Intraclass Separation},
author = {Mohammad Rostami and Aram Galstyan},
journal= {arXiv preprint arXiv:2107.01598},
year = {2021}
}