面向多领域情感分析的动态领域信息调制算法

多领域情感分类旨在通过利用来自不同领域标注数据，缓解单一领域数据稀缺导致模型性能差的问题。已有一系列同时训练领域分类器和情感分类器的模型显示出优势，因为领域分类有助于生成情感分类所必需的信息。直观地看，多领域情感分类中，情感分类任务在所有领域中的重要性是相同的；但领域分类任务的重要性因不同领域对情感分类影响的差异而有所不同，这可以通过可调节的权重或超参数进行控制。然而，随着领域数量的增加，现有的超参数优化算法可能面临以下挑战：（1）对计算资源的巨大需求、（2）收敛问题，以及（3）高算法复杂度。为了高效生成情感分类每个领域所需的领域信息，我们提出一种动态信息调制算法。具体而言，将模型训练过程分为两个阶段。在第一个阶段，确定控制所有领域中领域分类任务比例的共享超参数。在第二个阶段，我们引入一种新颖的领域感知调制算法，通过基于梯度和损失的方法调整输入文本中包含的领域信息。总之，在包含 16 个领域的公开情感分析数据集上的实验结果证明了所提方法的优越性。