用于方面类别检测的有监督渐进式机器学习
计算与语言
2024-04-09 v1
摘要
方面类别检测（ACD）旨在识别给定评论句子中的隐式和显式方面。用于 ACD 的 SOTA 方法使用深度神经网络（DNN）将此问题作为多标签分类任务来解决。然而，学习特定类别的表示严重依赖于标注样本的数量，而这在真实世界场景中可能难以获取。在本文中，我们提出了一种在有监督设置下将 DNN 与渐进式机器学习（GML）相结合以处理 ACD 任务的新方法。我们旨在利用 DNN 在语义关系建模方面的优势，这可以在 GML 的渐进推理过程中促进标注实例与未标注实例之间的有效知识转移。为了实现这一点，我们首先分析 DNN 学习到的潜在空间，以建模实例之间的关系，即相似或相反。然后，我们将这些关系表示为因子图中的二元特征，以有效地传递知识。最后，我们在真实的基准数据集上对我们提出的解决方案进行了对比研究，并表明与用于特征提取的 DNN 协作的 GML 方法始终优于纯 DNN 解决方案。
引用
@article{arxiv.2404.05245,
title = {Supervised Gradual Machine Learning for Aspect Category Detection},
author = {Murtadha Ahmed and Qun Chen},
journal= {arXiv preprint arXiv:2404.05245},
year = {2024}
}