WWWDec, 2021

基于类别注意力网络的领域自适应深度情感分析

PDF
TL;DR本文提出了 CAN-CNN 模型，利用 Category Attention Network 和 Convolutional Neural Network 自动捕捉领域共享的情感词和领域特定的情感词，以改进领域适应的性能，并获得了比其他基线模型更好的结果。
domain adaptationsentiment classificationcategory attention networkconvolutional neural networkdomain invariance
发现论文，激发创造
  • CAN: 用于多方面情感分析的受限注意力网络

    本文提出了约束注意力网络，它是一个简单而有效的解决方案，用于规范多方面情感分析中的注意力，从而缓解了注意机制的缺点，并在两个公共数据集上取得了很好的实验结果，并在多任务设置中超越了最先进的方法。

    Dec, 2018

  • 通过因果调整实现跨域情感分析的领域泛化

    本文研究领域适应在跨领域情感分析中的应用，提出基于背景调整的因果模型来解决领域转移问题，并在多个数据集上与现有方法进行了比较。

    Feb, 2024

  • 无监督领域适应的对比适应网络

    本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异，具有更好的特征鉴别能力。

    Jan, 2019

  • 领域条件适应网络

    该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

    May, 2020

  • 多域文本分类的条件对抗网络

    本文提出了条件对抗网络 (CANs) 框架，旨在探索共享特征和标签预测之间的关系，以对共享特征施加更多的可辨识性，用于多领域文本分类 (MDTC)。CAN 引入了一个条件域鉴别器，同时对共享特征表示和类别感知信息建模，采用熵条件保证共享特征的可转移性。我们提供了 CAN 框架的理论分析，证明 CAN 的目标等价于最小化共享特征和标签预测的多个联合分布之间的总发散。因此，CAN 是一个理论上良好的对抗网络，其可以判别多个分布。在两个 MDTC 基准测试上的评估结果表明，CAN 优于之前的方法。进一步的实验表明，CAN 具有将学习到的知识推广到未见领域的良好能力。

    Feb, 2021

  • 广义域条件自适应网络

    本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法，通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。

    Mar, 2021

  • 门控卷积神经网络用于域自适应

    本文探讨了如何最大化在目标域上的性能，通过域适应学习方法和使用门控卷积神经网络来过滤掉领域相关知识，以提高针对目标域的情感分析的性能。经过广泛实验，我们发现使用门控卷积神经网络在目标域上的表现显著优于常规卷积和循环神经网络架构，并且通过卷积实现并行化，具有更高的效率。

    May, 2019

  • 领域对抗神经网络

    本研究提出了一种针对领域自适应问题的新型表示学习算法，其中训练和测试数据来自类似但不同的分布，实验结果表明，我们的神经网络算法对领域适应具有更好的性能表现，而不管是标准神经网络还是支持向量机，即使是使用 Chen 等人提出的最先进的边缘化堆栈去噪自编码器的输入特征提取。

    Dec, 2014

  • 基于目标导向的情感分类的转换网络

    我们提出了一种新的情感分类模型，使用 RNN 和 CNN 并加入目标特定的词语表示生成机制，以及保留 RNN 层原始上下文信息的组件，最终在多个评估标准上达到了最新的最优表现。

    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