面向多领域情感分析的动态域信息调制算法（Dynamic Domain Information Modulation Algorithm for Multi-domain Sentiment Analysis）

本文提出一种创新的动态域信息调制算法（DAMA），通过引入全局调制因子和跨域平衡调制机制，有效解决多领域情感分析（MDSA）中域分类与情感分类任务难以动态平衡的问题。该算法将训练过程分为两阶段，显著提升了模型在Amazon和Yelp数据集上的性能（提升幅度达0.3%-1.5%），为多任务学习框架下的域自适应提供了新思路。

　　

Section snippets

INTRODUCTION

情感分类在社交媒体监测、产品评论分析和客户反馈管理等多个场景中至关重要[1][2][3][4][5]。随着相关技术的进步，其应用潜力巨大。例如，心理健康监测可通过分析个体言语判断是否存在抑郁或焦虑倾向，从而为医疗干预提供依据[6]。此外，对聊天机器人[7]的深入情感理解能提升人机交互的自然度和有效性。

Multidomain Sentiment Classification

随着深度学习的兴起，神经网络在情感分类任务中展现出显著优势。卷积神经网络（CNN）[18]和循环神经网络（RNN）[19]作为特征提取器，分别采用独特方法高效识别并捕获文本中关键的情感特征。其进阶变体——如长短期记忆网络（LSTM）[20]、门控循环单元（GRU）[21]和残差网络（ResNet）——进一步增强了特征提取能力。

Overall Framework

域注意力机制（DAM）是多领域情感分析（MDSA）的核心方法之一，它通过注意力机制灵活地将域信息融入情感特征表示。我们在初始阶段以DAM为基础模型，并进行了小幅改进：具体而言，将DAM中的LSTM替换为新型扩展长短期记忆网络（xLSTM）[55]，并采用替代方法整合域注意力机制中的信息。这一替换基于xLSTM在长序列建模和梯度流动方面的卓越性能。

Domain-aware Modulation Algorithm (DAMA)

为动态调节所有领域中域分类任务对情感分类的影响，一种直接的方法是为每个域分配权重。此时损失函数定义如公式(17)所示：

L_θ = ∑_j=1^M L_θ(p(?_s^j∣x^j), y_s^j) + ∑_j=1^M γ_j L_θ(p(?_d^j∣x^j), y_d^j)

∑_j=1^M γ_j L_θ(p(?_d^j∣x^j), y_d^j) = γ(L_δ^j(p(?_d^j∣x^j+δ^j), y_d^j)) = γ(L_θ(p(?_d^j∣x^j))) + Δ^j

由于高效确定最优γ_j值集合存在挑战，我们通过引入调制项σ^j来缓解该问题。

EXPERIMENTS

为评估所提情感分类方法的有效性，我们在来自Amazon和Yelp评论的两个公开数据集上进行了广泛实验。

Conclusion

本研究提出了一种新颖的动态域信息调制算法，解决了传统多领域情感分析模型难以在域分类和情感分类任务间保持动态平衡的难题。为此，我们在多任务学习架构中引入了全局调制因子和跨域平衡调制机制，将原始的单阶段联合训练转变为两阶段过程。