通过领域自适应知识迁移利用情感分析驱动比较分类
计算与语言
2021-09-10 v1 机器学习
摘要
我们研究比较偏好分类（CPC），旨在预测给定句子中两个实体之间是否存在偏好比较，若存在，预测哪个实体更受偏好。高质量的 CPC 模型可以显著惠及比较问答和基于评论的推荐等应用。在现有方法中，非深度学习方法性能较差。基于图神经网络的最先进方法 ED-GAT (Ma et al., 2020) 仅考虑句法信息，而忽略了对被比较实体的关键语义关系和情感。我们提出了情感分析增强比较网络（SAECON），通过一个情感分析器利用领域自适应知识迁移学习对各个实体的情感，从而提高 CPC 准确率。在 CompSent-19 (Panchenko et al., 2019) 数据集上的实验表明，其 F1 分数相比现有最佳 CPC 方法有显著提升。
引用
@article{arxiv.2109.03819,
title = {Powering Comparative Classification with Sentiment Analysis via Domain Adaptive Knowledge Transfer},
author = {Zeyu Li and Yilong Qin and Zihan Liu and Wei Wang},
journal= {arXiv preprint arXiv:2109.03819},
year = {2021}
}
备注
13 pages; EMNLP-2021 Main Conference