面向跨域情感分类的图自适应语义迁移
计算与语言
2022-05-19 v1 人工智能
信息检索
摘要
跨域情感分类（CDSC）旨在利用从源域学到的可迁移语义来预测无标注目标域中评论的情感。该任务的现有研究更关注句子的序列建模，而在很大程度上忽略了嵌入在图结构（即词性标签与依存关系）中的丰富域不变语义。作为探索语言理解特征的重要方面，自适应图表示近年来发挥了关键作用。为此，在本文中，我们旨在探索在 CDSC 中从类图结构学习不变语义特征的可能性。具体而言，我们提出图自适应语义迁移（GAST）模型，一种自适应句法图嵌入方法，能够从词序列与句法图中学习域不变语义。更具体地，我们首先提出 POS-Transformer 模块，从词序列及词性标签中提取序列语义特征。然后，我们设计混合图注意力（HGAT）模块，通过考虑可迁移的依存关系来生成基于句法的语义特征。最后，我们设计集成自适应策略（IDS）来引导两个模块的联合学习过程。在四个公开数据集上的大量实验表明，GAST 取得了一系列最先进模型可比的效果。
引用
@article{arxiv.2205.08772,
title = {Graph Adaptive Semantic Transfer for Cross-domain Sentiment Classification},
author = {Kai Zhang and Qi Liu and Zhenya Huang and Mingyue Cheng and Kun Zhang and Mengdi Zhang and Wei Wu and Enhong Chen},
journal= {arXiv preprint arXiv:2205.08772},
year = {2022}
}
备注
11 pages, 7 figures, Sigir 2022