摘要: 由于缺乏足够的训练数据,文本共情预测这一领域的进展一直都较为缓慢。与此同时,其相关任务,即文本情感极性分类任务存在大量的有标签的训练样本。因此提出了一种基于迁移学习的文本共情预测方法,该方法可从情感极性分类任务中学习到可迁移的公共特征,并进而通过学习到的公共特征辅助共情预测任务。具体而言,所提方法首先通过一个注意力机制对两个任务间的公私有特征进行动态加权融合;其次为了消除两个任务间的数据集领域差异,提出了一种对抗学习策略来区分两个任务间的领域独有特征与领域公共特征;最后提出了一种 hinge-loss 约束策略来使得共同特征对不同的目标标签具有通用性,而私有特征对不同的目标标签具有独有性。在基准数据集上进行的实验与相关的实验结果证明了所提方法的有效性。
中图分类号: