3-7 基于图表征学习的跨领域情感分析方法

跨域情感分类的图自适应语义转移

背景

• 情感分类旨在从文本或图片中挖掘用户的情感倾向，属于文本分类的特殊任务。
• 迁移学习是解决未标记数据问题的关键方法，通过利用任务间的相似性将旧领域知识应用于新领域。
• 跨域情感分类（CDSC）关注如何利用源域知识解决目标域情感分类问题，核心挑战在于充分利用领域共享特征和挖掘关键信息。

相关工作

• 传统方法主要分析跨域共享功能，如语义词或高共现词。
• 深度学习方法包括：
  • 域共享功能（枢轴）内存网络
  • 分层注意力网络
  • 域对抗神经网络（DANN）
  • 互动注意力转移网络（IATN）
• 现有方法在语义表示和句法信息利用方面存在局限。

GAST 模型

• 动机：
  • 情感词和POS标签在CDSC中至关重要，句法关系影响情感极性。
  • 不同领域的句法图结构相似，句法规则可跨域转移。
• 整体架构：
  • 包含POS变压器和混合图注意（HGAT）两个模块，结合单词序列和句法图信息。
• 模型细节：
  • 将句子转换为句法依赖树，利用依赖解析器获取POS标签。
  • 通过关系函数（关系聚合和关系激活）增强单词表示。
  • 设计三个损失函数：特征对齐损失、分类器损失和鉴别器损失。

实验设置

• 数据集：亚马逊DVD、书、电子产品和厨房四个数据集。
• 预训练模型：BERT。
• 基准方法：传统基线、深度模型和基于图的方法。

实验结果

• 性能：BERT-GAST模型在四个数据集上均取得最佳性能，验证了句法信息和序列结合的有效性。
• 案例研究：POS变压器通过POS标签缓解无关词影响，HGAT利用句法关系提升性能。
• 自适应效率：GAST在少量样本下表现优于IATN，证明其高效性。
• 句法图质量：句法图质量影响最终结果，验证句法特征有效性。

结论

• GAST模型通过图结构信息表征和动态语义变化，有效提升跨域情感分类性能。
• 未来工作将探索大规模业务场景和动态图学习。

参考文献

• 列出相关研究文献，包括Chen et al. (2012), Ganin et al. (2016), Pan et al. (2010)等。