情感具有普适性：使用连体网络学习资源匮乏语言的基于情感表示
计算与语言
2024-03-08 v1
摘要
情感分析中的机器学习方法主要依赖于资源的丰富程度。为限制这种依赖性，我们提出一种称为情感分析连体网络架构（SNASA）的新颖方法，通过使用连体网络将资源匮乏语言与资源丰富语言联合训练来学习其表示。SNASA 模型由共享参数的孪生双向长短期记忆循环神经网络（Bi-LSTM RNN）组成，通过基于相似性度量的对比损失函数连接。该模型利用基于各自情感的相似性度量，在通用情感空间中学习资源匮乏和资源丰富语言的句子表示。因此，该模型将具有相似情感的句子彼此拉近，将具有不同情感的句子彼此推远。在资源丰富的英语和西班牙语以及资源匮乏的印地语和泰卢固语大规模数据集上的实验表明，SNASA 在基于分布语义、语义规则、词典列表和深度神经网络表示的最先进情感分析方法中表现更优，且无需
引用
@article{arxiv.1804.00805,
title = {Emotions are Universal: Learning Sentiment Based Representations of Resource-Poor Languages using Siamese Networks},
author = {Nurendra Choudhary and Rajat Singh and Ishita Bindlish and Manish Shrivastava},
journal= {arXiv preprint arXiv:1804.00805},
year = {2024}
}
备注
Accepted Long Paper at 19th International Conference on Computational Linguistics and Intelligent Text Processing, March 2018, Hanoi, Vietnam. arXiv admin note: text overlap with arXiv:1804.00806