论文链接：https://www.ijcai.org/proceedings/2017/0311.pdf
跨领域情感分类也是一个domain adaptation任务。因为领域矛盾，在一个领域上训练的可能不能直接用于其他领域。传统的方法是手动去挑选pivots(支点，核心)。深度学习的方法可以学习领域共享的表示，然而，缺乏解释性去直接识别pivots。为了解决这个问题，本文提出一个端对端的对抗记忆网络(Adversarial Memory Network, AMN)去解决跨领域的情感分类。使用attention机制来自动抓取pivots。本文的框架包括两个参数共享的memory network，一个用于sentiment分类，一个用于domain分类。两个网络是联合训练的所以选择的特征可以最小化情感分类的错误，同时使领域分类器对于source和target domain是非歧视性的。
Introduction：
传统做情感分类是基于支持向量机(support vector machine)，使用手工的特征，例如bag-of-n-grams。
用深度学习依赖大量标注的数据，time-consuming and expensive manual labeling.
本文的贡献：
1. 自动识别pivots，使用attention机制，不需要手动选择pivots
2. AMN模型可以实现可视化，告诉我们哪个是pivots，which makes the representation shared by domains more interpretable.
3. achieve better peroformance
Problem definition and notation(记号)：
有一组标记数据和未标记数据，在target domain中，有一组未标记数据。跨域情感分类是要学习一个robust的分类器，这个分类器是在有标注的source领域训练的，用来预测target领域的未标记数据的polarity
The task of the cross-domain sentiment classification is to learn a robust classifier trained on labeled data in the source domain to predict the polarity of unlabeled examples from the target domain.
An overview of the AMN model：
memory network可以抓取相关联的重要单词，使用attention机制。
The goal of the AMN model is to automatically capture the pivots.
利用memory network来抽取pivots，这种pivots有两种特性：1）对于情感分类很重要的情感词 2） 这些词在领域之间是共享的。
设计了两个参数共享的深度memory network，一个网络MN-sentiment 用做sentiment分类，一个网络MN-domain用做domain分类，致力于预测样本中的domain labels。
给一个文档d={w1, w2, ..., wn}，首先将每个词映射到embedding向量 ei = Awi，文档获得一个向量表示 e = {e1, e2, ..., en}。这些word vectors堆叠起来输入到一个外部的memory。
external memory
m是memory size，大于文档的最大长度，free memories用0做填充。每个memory network包括多个hops，每个包含一个attention层和一个linear层。 在第一个hop中，使用query vector qw作为输入通过attention层来抓取memory m中的重要单词。query vector qw是在训练过程中随机初始化的 can be learned for a high-level representation according to the task of interest。
query vector输入后，attention层和线性变换层的输出结合起来作为下一个hop的输入。最后一个hop的输出作为整个document的representation，进一步被用做sentiment分类和domain分类。
对于MN-network，query vector qw可以被看作high-level representation of a fixed query"what is the sentiment word" over words
MN-domain中，给最后一个hop和domain分类器之间增加Gradient Reversal Layer(GRL)，用于reverse the gradient direction of the MN-domain network. 用这种方法可以生成一个domain分类器不能预测的表示，最大化domain的confusion。MN-domain使用的query vector可以看作"what is the domain-shared word"。
联合训练，query vector可以看作是“what is the pivot”
Components：
1. Word Attention
MN-sentiment network：根据source领域的有标注的数据来更新external memory ms。
MN-domain network：根据所有来自source领域和target领域的数据来更新external memory md。
首先将每个memory mi 通过放进一个一层的神经网络获得hidden representation hi，通过比较hi和query vector qw的相似度来评价一个词的重要度，获得归一化的重要度权重：
importance weight
n is the size of the memory occupied， hi=tanh(Wsmi + bs)。不使用全部的memory m，因为我们发现attention模型有时会分配很大的权重在free memories并且分配低的权重在occupied part，这样会降低document representation的质量。free memories的权重都被设置为0.
attention层的输出为：
attention层的输出
Sentiment Classifier：
sentiment classification
将MN-sentiment network的最后一个hop的输出作为document representation vs，然后做softmax分类。
最小化交叉熵
目标函数
Domain Classifier：
不同的是，在将document representation vd送到softmax之前，vd先送到GRL，在前向传播时，GRL作为一个identity function，但是在bp时，GRL拿到梯度后，乘以 -入
可以将GRL看作一个假函数：
GRL的 forward and backward behaviours
The domain classifier is trained to minimize the cross-entropy for all data from the source and target domains
loss function
Regularization：
为了避免过拟合，假如来 squared Frobenius norm 给Ws， Wd， 给bias bs，bd增加squared l2 norm regularization:
正则项
Joint learning：
total loss function
网友评论