Aug, 2022

跨领域情感分析的纯对比学习

PDF
TL;DR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。
cross-domain sentiment analysiscontrastive learningin-batch negative samplesstate-of-the-art performanceadversarial test
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

  • 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

  • 对比领域自适应

    本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

    Mar, 2021

  • 域不变特征蒸馏用于跨领域情感分类

    本文提出了一种用于跨域情感分类的新方法，利用属性检测这一正交的领域相关任务来提炼领域不变情感特征，实现了对领域转移的有效性验证。

    Aug, 2019

  • 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

  • 在多领域数据集上训练的有监督对比学习所学到的表示的可迁移性

    使用多领域数据集的超级对比学习模型相比使用交叉熵模型，平均在 7 个下游数据集上表现更好，结果显示其学习到的表示更具鲁棒性且可跨领域转移。

    Sep, 2023

  • 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

  • 领域自适应的嵌入投影：多样领域情感分析联合建模

    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。

    Jun, 2018

  • 西班牙语跨领域情感分类

    本文通过收集来自 MercadoLibre 网站七个国家的商品评论，建立了一个大型且平衡的数据集，研究了一个基于该数据集训练的情感分类系统在泛化到不同西班牙语领域的能力，结果表明该分类系统的泛化能力有一定可行性，但需要使用预训练和微调技术进行改进。

    Mar, 2023

  • 通过对比学习和最大化互信息实现跨领域情感分类

    本文提出对比学习方法 CLIM，采用互信息最大化来探索跨领域情感分类的潜力，进一步提高模型的鲁棒性和效率。

    Oct, 2020