通过深度对抗互学习改进领域自适应情感分类
计算与语言
2020-02-06 v1 机器学习
摘要
领域自适应情感分类指在带标签的源领域上训练，以良好推断无标签目标领域上的文档级情感。现有大多数相关模型包含一个特征提取器与一个情感分类器，其中特征提取器致力于从两个领域学习领域不变特征，而情感分类器仅在源领域上训练以引导特征提取器。因此，它们缺乏利用目标领域中情感极性的机制。为通过从目标领域学习情感来改进领域自适应情感分类，我们设计了一种新颖的深度对抗互学习方法，涉及两组特征提取器、领域判别器、情感分类器和标签探测器。领域判别器使特征提取器获得领域不变特征。同时，每组中的标签探测器通过 peer 组中分类器生成的情感预测来探索目标领域的文档情感极性，并引导本组特征提取器的学习。所提方法以端到端方式实现两组的互学习。在多个公开数据集上的实验表明我们的方法取得了最先进的性能，验证了通过标签探测器进行互学习的有效性。
引用
@article{arxiv.2002.00119,
title = {Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning},
author = {Qianming Xue and Wei Zhang and Hongyuan Zha},
journal= {arXiv preprint arXiv:2002.00119},
year = {2020}
}
备注
Accepted to appear in AAAI'20