用于多领域文本分类的多项对抗网络

许多文本分类任务已知高度依赖于领域。不幸的是，训练数据的可用性在不同领域间可能差异巨大。更糟糕的是，对于某些领域可能根本没有任何标注数据。在这项工作中，我们提出一种多项对抗网络（MAN）来解决这一真实世界多领域设定（MDTC）下的文本分类问题。我们为 MAN 框架提供了理论依据，证明 MAN 的不同实例本质上是多个概率分布之间各种 f-散度度量（Ali and Silvey, 1966）的最小化器。因此，MAN 是判别两个分布的传统对抗网络在理论上的合理推广。更具体地，对于 MDTC 任务，MAN 借助其降低每个领域特征分布之间散度的能力，学习跨多个领域不变的特征。我们给出的实验结果表明，MAN 在 MDTC 任务上显著优于先前最优方法。我们还表明，MAN 在无标注数据的领域上达到了最先进的性能。