领域自适应的嵌入投影：多样领域情感分析联合建模

COLINGJun, 2018

领域自适应的嵌入投影：多样领域情感分析联合建模

Projecting Embeddings for Domain Adaptation: Joint Modeling of Sentiment Analysis in Diverse Domains

Jeremy Barnes, Roman Klinger, Sabine Schulte im Walde

TL;DR通过将领域适应问题视为嵌入投影任务，我们提出了一种新的方法，该模型可以将两个单域嵌入空间投影到一个双域空间，以预测情感分类，并在 20 个来源目标域对情感分类进行领域适应实验，并在高度背离的域中表现明显优于现有技术。

Abstract

domain adaptation for sentiment analysis is challenging due to the fact that supervised classifiers are very sensitive to changes in domain. The two most prominent approaches to this problem are structural corres

domain adaptation sentiment analysis embedding projection cross-lingual sentiment analysis state-of-the-art results

发现论文，激发创造

跨领域情感分类的自适应半监督学习

本文提出一种面向跨域情感分类问题的方法，该方法采用半监督学习的想法，联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明，该方法可以更好地利用来自目标域的未标记数据，在各种实验设置中都取得了重大改进。

Sep, 2018

多域情感分析的数据选择策略

本文介绍了一个关于在情感分析中领域适应的研究。我们对领域相似度度量进行了广泛的研究，提出了新的表示方法、度量方法和数据选择。在推文和评论的大规模多领域适应设置中，我们评估了所提出的方法，并证明了它们一致地优于强随机和平衡的基线方法，而我们的选择策略优于实例级选择，并在大型评论语料库上获得了最佳分数。

Feb, 2017

通过深度对抗互学习提高领域适应的情感分类

通过深度对抗互学习方法，利用领域鉴别器、情感分类器、标签探针和标签鉴别器促进特征提取器学习来自源域和目标域的情感。实验结果表明，这种方法在多个公共数据集上实现了最先进的性能，证实了标签探针引导的互相学习的有效性。

Feb, 2020

学习领域敏感和情感感知的词嵌入

该文介绍了一种新的方法，通过同时捕获情感语义和单词的域敏感性的信息来学习领域敏感且情感感知的词嵌入向量。实验结果表明，该模型在句子和词库级别上都提供了学习领域敏感和情感感知词嵌入向量的有效方法。

May, 2018

跨领域情感分析的纯对比学习

本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

Aug, 2022

基于领域适应的词向量在情感分类中的应用

该论文提出了一种将通用词嵌入的广度与领域特定词嵌入的特異性相结合的方法，通过使用规范相关分析 (CCA) 或相关的非线性内核 CCA 对应的单词向量进行对齐来形成称为领域自适应 (DA) 词嵌入，其评估结果表明，在用于标准或最先进的分类算法的输入特征时，DA 嵌入在情绪分类任务中显着优于通用和 DS 嵌入。

May, 2018

面向神经机器翻译的无监督领域自适应与领域感知特征嵌入

提出一种通过使用语言建模来学习领域感知特征嵌入，在多个实验中提高神经机器翻译性能的方法，该方法允许使用者指定特定领域的文本表示。

Aug, 2019

跨领域语义增强在检测抑郁语言中的综合实证分析

研究在数据量少的情况下，如何利用数据增强方法，将大规模预训练语料库中的词向量嵌入模型与特定领域语料库中的词向量嵌入模型相结合，以提高在抑郁语言检测任务中的表现，结果显示该数据增强方法可以显著提高模型性能。

Jun, 2021

通过协调域编码器和匹配分类器的多源域自适应

提出了一种新颖的多源自动未标注模型，可在领域转移下进行文本分类。

Jan, 2022

统一深度监督域自适应和泛化

本文提出了一个视觉监督领域适应和泛化深度模型的统一框架，利用孪生网络结构来学习判别性嵌入子空间，通过点对代理的分布距离和相似性来解决少量目标数据样本标注的情况下，语义概率分布的对齐与分离问题。研究表明该方法在快速自适应方面的优势表现出来，并且只需要极少量的标注目标训练样本，甚至每个类别仅需一个标注样本就可以发挥有效性。此外，该方法还可扩展到领域泛化，并且实验证明该方法在两个应用领域都有很好的效果。

Sep, 2017