کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6861321 1439246 2018 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Domain attention model for multi-domain sentiment classification
ترجمه فارسی عنوان
مدل توجه به دامنه برای طبقه بندی احساسات چند دامنه
کلمات کلیدی
تجزیه و تحلیل احساسات، چند دامنه، مکانیسم توجه،
ترجمه چکیده
طبقه بندی احساسات به طور گسترده ای به عنوان یک مسئله وابسته به دامنه شناخته می شود. برای به دست آوردن یک طبقه بندی دقیق دامنه خاص، تعداد زیادی از نمونه های برچسب دار مورد نیاز است که گران و وقت گیر است برای حاشیه نویسی. تجزیه و تحلیل احساسات چند جانبه بر اساس یادگیری چند کاره می تواند نمونه های برچسب گذاری شده را در هر حوزه تکیه کند، که می تواند نیاز به مقدار زیادی اطلاعات برچسب گذاری شده را در تمام حوزه ها کاهش دهد. در این مقاله، ما یک مدل توجه به دامنه برای تجزیه و تحلیل احساسات چند دامنه پیشنهاد می کنیم. در رویکرد ما، نمایه دامنه به عنوان توجه به انتخاب بیشتر از ویژگی های مربوط به دامنه در هر دامنه استفاده می شود. نمایندگی دامنه از طریق یک وظیفه طبقه بندی دامنه کمکی، که به عنوان تنظیم کننده دامنه عمل می کند، به دست می آید. به این ترتیب، هر دو ویژگی مشترک و دامنه برای طبقه بندی احساسات به طور همزمان استخراج می شوند. در مقایسه با روشهای طبقه بندی احساسات چند دامنه، رویکرد ما می تواند ویژگی های جدایی ناپذیر از یک لایه پنهان به اشتراک گذاشته شده را به صورت فشرده تر استخراج کند. نتایج تجربی در دو مجموعه داده های چندمنظوره، اعتبار سنجی اثربخشی رویکرد ما را تأیید می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
مدل توجه به دامنه برای طبقه بندی احساسات چند دامنه
چکیده انگلیسی
Sentiment classification is widely known as a domain-dependent problem. In order to learn an accurate domain-specific sentiment classifier, a large number of labeled samples are needed, which are expensive and time-consuming to annotate. Multi-domain sentiment analysis based on multi-task learning can leverage labeled samples in each single domain, which can alleviate the need for large amount of labeled data in all domains. In this paper, we propose a domain attention model for multi-domain sentiment analysis. In our approach, the domain representation is used as attention to select the most domain-related features in each domain. The domain representation is obtained through an auxiliary domain classification task, which works as domain regularizer. In this way, both shared and domain-specific features for sentiment classification are extracted simultaneously. In contrast with existing multi-domain sentiment classification methods, our approach can extract the most discriminative features from a shared hidden layer in a more compact way. Experimental results on two multi-domain sentiment datasets validate the effectiveness of our approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 155, 1 September 2018, Pages 1-10
نویسندگان
, , , , ,