用于跨域情感分析的加权域不变表示学习
机器学习
2019-09-19 v1 计算与语言
机器学习
摘要
跨域情感分析目前是研究与工程领域的热点。该领域最流行的框架之一是域不变表示学习（DIRL）范式，旨在学习跨域的分布不变特征表示。然而，本工作中我们发现，当标签分布 跨域变化时，应用 DIRL 可能损害域适应。为解决此问题，我们对 DIRL 提出改进，得到一种新颖的加权域不变表示学习（WDIRL）框架。我们展示了将现有 SOTA DIRL 模型迁移到 WDIRL 是容易的。在大量跨域情感分析任务上的实证研究验证了我们的论断并显示了所提方案的有效性。
引用
@article{arxiv.1909.08167,
title = {Weighed Domain-Invariant Representation Learning for Cross-domain Sentiment Analysis},
author = {Minlong Peng and Qi Zhang and Xuanjing Huang},
journal= {arXiv preprint arXiv:1909.08167},
year = {2019}
}
备注
Address the problem of the domain-invariant representation learning framework under target shift