基于元学习的多源跨领域细粒度情感分类方法：结合领域融合与投票集成技术

《ACM Transactions on Management Information Systems》：Meta-Learning-Based Multi-Source Cross-Domain Fine-Grained Sentiment Classification with Domain Combination and Voting Ensemble

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

来自社交网络和在线评论的文本数据量迅速增长，这使得跨领域细粒度情感分类研究的重要性愈发突出。为了解决当前多源跨领域情感分类方法中存在的数据稀疏性和领域差异等问题，本研究提出了一种新方法。该研究从元学习的角度提出了一种基于领域组合与投票集成的多源跨领域细粒度情感分类方法（MLDCV-FGSC），整个框架包含三个阶段。首先，在数据划分阶段，我们通过将四个领域中的一个指定为目标领域，其余作为源领域来运用元学习技术。每个源领域的数据会被划分为支持集和查询集。接着，通过将两个源领域的支持集合并作为元任务的支持集，同时使用另一个源领域的查询集作为元任务的查询集，从而构建多个元学习任务。其次，在元学习训练阶段，我们为每个元任务训练一个基础分类器，使用BERT模型对文本和特征词进行编码，并引入多头注意力机制以增强二者之间的交互作用。通过反向传播不断更新分类器参数，以提高其在跨领域情感分类中的性能。最后，在元测试阶段，我们对这些基础分类器进行微调，使其适应目标领域。最终预测结果是通过集成经过微调的分类器输出得到的投票机制得出的，这样可以确保模型在目标领域具有良好的泛化能力。我们的实验验证使用了来自不同领域和不同情感分类任务的数据集，结果表明所提出的方法在跨领域细粒度情感分类方面取得了显著的性能提升。此外，在其他数据集上进行的多模态实验也进一步证明了该方法的有效性。这些结果充分体现了我们的方法在解决跨领域情感分类问题方面的高效性与巨大潜力。

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及便于相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击这里，可以对这个总结的准确性、清晰度及实用性发表意见。您的反馈将有助于我们对总结进行改进并生成更优的版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。