SIGIRMay, 2022

跨领域情感分类的图自适应语义转移

PDF
TL;DR本文提出了一种叫做 Graph Adaptive Semantic Transfer（GAST）的模型，它是一种自适应句法图嵌入方法，能够从词序列和句法图中学习具有域不变性的语义特征，该模型在四个公共数据集上实验表明具有可比效果。
cross-domain sentiment classificationgraph adaptive semantic transfersyntactic graph embeddingpart-of-speech tagsdependency relations
发现论文，激发创造
  • 基于序列跨模态语义图的方面情感分类

    本文提出了一种新的框架 SeqCSG，其中包括构建顺序跨模态语义图和编码器 - 解码器模型方法，用于有效利用跨模态语义图进行多模态方面的情感分类，实验结果表明，我们的方法优于现有方法并在两个标准数据集中实现了最先进水平。

    Aug, 2022

  • 跨领域少样本分类的自适应语义一致性

    通过设计自适应语义一致性机制，提出了一种适应性的源领域知识转移框架（ASC），通过在源领域预训练中重用源图像并设计自适应的权重分配策略，实现了源领域知识向目标领域的显式转移，有效地减轻了跨领域 few-shot 分类中过拟合的问题。

    Aug, 2023

  • CSCL: 无监督领域自适应的关键语义一致性学习

    本文提出了一种基于转移学习和关键语义一致性的模型，是一种无监督域自适应的方法来减少领域内、类别内的分布差异，在语义分割上具有优越性。

    Aug, 2020

  • 基于语法指导的领域自适应情感分析

    本研究提出了一种基于句法导向域自适应模型的新颖跨领域 ABSA 方法，该方法利用句法结构相似性构建伪训练实例，同时引入一种基于句法的 BERT 掩码语言模型以进一步捕获领域不变特征；最后，为了减轻跨领域 End2End ABSA 中的情感不一致问题，引入了基于跨度的联合方面和情感模块。在五个基准数据集上的实验结果表明，与现有模型相比，我们的模型在跨领域 End2End ABSA 任务的微 F1 指标方面始终表现出色。

    Nov, 2022

  • 利用多个来源的课程 CycleGAN 进行文本情感域自适应

    本文介绍了一种名为课程循环一致生成对抗网络（C-CycleGAN）的实例级多源域适应框架，可在处理用户评论和反馈数据中应用多源域适应领域，该框架主要包括预训练文本编码器、中间域生成器和任务分类器，可达到比现有域自适应方法更好的性能。

    Nov, 2020

  • 领域适应：基于 BERT 语言模型微调的方面 - 目标情感分类

    本文阐述了将领域自适应的 BERT 语言模型与半监督建模进行结合达到最优的 Aspect-Target Sentiment Classification ，并通过不同的数据集得出短语级别情感分类的最新成果，并通过交叉领域验证比较了自适应 BERT 的性能。

    Aug, 2019

  • 面向方面的情感分类的领域级别的两两语义交互

    提出了一个可以有效解决类别不平衡问题的 Plug-and-Play Pairwise Semantic Interaction（PSI）模块，通过对成对句子的语义向量进行学习，从而增强了句子之间的高级语义特征交互，证明在四个 ABSC 数据集上，PSI 模块比竞争对手的基线表现更好并且显著减轻了类别失衡问题。

    Feb, 2022

  • 领域适配的语义聚焦

    本文提出了一种基于对抗学习的语义集中方法（SCDA）用于解决领域自适应中的样本偏差和数据集标注问题，通过类别之间最大化样本预测分布的差异和最小化同一类别内不相似区域的特征差异来引导网络关注最主要的特征，SCDA 可作为一种常规方法集成到各种领域自适应方法中来进一步提高性能。

    Aug, 2021

  • 借鉴结构范围：用混合图卷积网络提高方面级情感分析

    提出了 Scope 的概念，用于描述与特定目标相关的结构文本区域。结合组成树和依赖树的信息，提出了一个杂交图卷积网络（HGCN）来共同学习结构 Scope 并预测情感极性，证明该模型优于当前最先进的基线模型。

    Apr, 2022

  • 远程监视的代理驱动生成语义通信

    在 6G 时代，智能交通系统、数字孪生、远程监控有望成为普遍实践。为了解决无线网络中庞大数据量和频繁更新的挑战，本文提出了一种基于强化学习的新型代理驱动生成语义通信（A-GSC）框架。通过无缝地结合源信息的内在属性和任务相关的情境信息，本研究在语义通信领域进行了创新，同时引入了生成人工智能（GAI），实现了语义编码器和解码器的独立设计。在实证分析中，基于 CDNet2014 数据集验证了所设计模型的有效性，并证明了整体 A-GSC 框架在节能和重构准确性方面的性能提升。

    Apr, 2024