基于分类器分歧自训练的交叉领域意见目标抽取
计算与语言
2023-03-01 v1 机器学习
摘要
意见目标抽取（OTE）或方面抽取（AE）是意见挖掘中的一项基础任务，旨在抽取表达过意见的目标（或方面）。近期工作聚焦于交叉领域 OTE，这在真实场景中是典型情形，其中测试与训练分布不同。多数方法使用领域对抗神经网络，旨在缩小有标注源领域与无标注目标领域之间的领域差距，以提升目标领域性能。然而，该方法仅对齐特征分布，未考虑类间特征对齐，导致次优结果。半监督学习（SSL）已被探索作为一种解决方案，但受限于模型生成的伪标签质量。受领域自适应理论基础的启发 [2]，我们提出一种新的 SSL 方法，该方法选择那些由领域特定教师网络与学生网络在无标注目标数据上模型输出存在分歧的目标样本，以期提升目标领域性能。在基准交叉领域 OTE 数据集上的大量实验表明，该方法有效，并在大领域偏移设定下表现稳定良好。
引用
@article{arxiv.2302.14719,
title = {Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction},
author = {Kai Sun and Richong Zhang and Samuel Mensah and Nikolaos Aletras and Yongyi Mao and Xudong Liu},
journal= {arXiv preprint arXiv:2302.14719},
year = {2023}
}
备注
Accepted at TheWebConf 2023