该论文探讨了使用生成神经网络以及强化学习算法来解决在线广告推荐中的关键字提取问题，提出的模型能够生成与输入相关、多样化的关键字，并且满足领域特定信息的限制条件，并通过离线和在线评估表明，所提出的模型能够显著提高广告投放的覆盖率、点击率和 RPM。

Feb, 2019

本研究提出了一种无监督方法，学习特定领域的单词表示，以准确捕捉单词语义的领域特定方面，并使用所学习的单词表示进行域适应性处理，以在对多个不同领域对情感分类任务中获得最佳准确性，并显着优于现有基准。

May, 2015

本文提出了一种基于关键词权重排序的课程学习策略来改善多域文本分类模型的性能，该方法在对抗训练的基础上，并且在 Amazon 评论和 FDU-MTL 数据集上的实验结果表明，它能有效地提高多领域文本分类模型的性能，并优于现有的方法。

Oct, 2022

本文提出一种数据导向的方法，通过检索式语料统计信息首先确定显著信息，然后使用基于预训练语言模型的任务特定中间表示学习生成关键短语。通过在多个关键短语生成基准测试中对该方法进行实验，证明了该方法对于促进低资源关键短语生成和零 - shot 领域适应性的有效性，尤其有益于缺失的关键短语的学习。

Mar, 2022

使用贝叶斯优化方法进行学习数据选择度量，可以显著提高情感分析、词性标注和语法分析等三个领域的性能。学习的度量方法不仅能够与模型、领域和任务相适应，而且能够在某种程度上用于跨模型、领域和任务的转移。

Jul, 2017

本文提出了一组高效可扩展的神经网络快速筛选与排序模型，以处理智能个人数字助理的大规模领域分类问题，并在 1,500 个领域上进行了大量实验以证明我们的方法的有效性。

Apr, 2018

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

我们提出了一种基于监督学习的自动提取文档关键词短语的方法，该方法利用候选短语的简单计算的统计和位置特征，不依赖于任何外部知识库、预训练的语言模型或词嵌入。在基准数据集上的评估显示，我们的方法达到了明显较高的准确性，相对于包括所有基于深度学习的无监督模型在内的多个最新方法，它与一些基于监督深度学习的模型也具有相竞争性。尽管我们的方法是基于监督的，但它不依赖于任何 “黄金” 关键词语料库或外部知识语料库的事实，使得我们的方法在很大程度上具备了无监督方法的优势。

Mar, 2024

本文介绍了使用全面的语料库选择有意义的分布来解决神经网络模型数据域不明的问题，通过考虑选定样本的模型功能属性和语义，使用一个有效的目标函数，以及一个能够有效地搜索所有可能子集的算法。实验表明，该方法可以有效地克隆给定模型，并提高其准确性。

May, 2023

该研究论文介绍了一种基于隐藏马尔科夫模型来学习词汇表示，并使用大量未标记数据将这些方法更好地适用于不同领域数据的方法。

Dec, 2013