项目名称: 基于图结构的迁移学习在文本倾向性分析中的应用研究

项目编号: No.61202254

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 计算机科学学科

项目作者: 孟佳娜

作者单位: 大连民族学院

项目金额: 22万元

中文摘要: 由于文本倾向性分析中数据同分布假设不成立会造成机器学习泛化能力降低,本项目拟利用基于图结构的迁移学习方法对此类问题进行研究。具体的研究工作包括:首先分析具有倾向性文本中特征的特点,利用图模型有效地表示出已标注文本、特征和未标注文本之间的关系,建立基本的用于迁移学习的图结构模型;在此基础上,融合基于特征和基于实例的迁移学习方法,提出基于图结构的知识传播迁移学习算法;结合半监督学习方法,提出基于图结构的协同迁移算法;最后,针对目标领域中的标注样本的不同情况,进行直推式迁移学习、归纳式迁移学习和无监督迁移学习模型的对比研究,以相关语料为应用背景验证模型的有效性。课题旨在以图结构为文本及其语义的基本表示模型,从迁移学习模型的建立入手,以文本倾向性分析为应用领域,提出有效的迁移学习方法,为迁移学习技术的进一步研究与应用提供新思路和理论依据。

中文关键词: 迁移学习;文本倾向性;图结构;直推式迁移学习;归纳式迁移学习

英文摘要: Since the generalization ability of machine learning may be decreased in text sentiment analysis when the data do not satisfy the identical distribution assumption, this project proposes a class of transfer learning methods based on the graph model to study this kind of problems. The detailed researches include: We analyze the characteristics of feature in the sentiment text, represent the relationship among the labelled text, the feature and the unlabelled text effectively, establish a basic graph model for transfer learning; On this basis, we fuse the feature-based and the instance-based transfer learning methods, and then propose a knowledge propagation transfer learning algorithm based on the graph model; We use the semi-supervised learning method to propose the co-transfer learning algorithm based on the graph model; At last, according to the different situations of the labelled instance in the target domain, we study the comparisons of the transductive transfer learning, the inductive transfer learning and the unsupervised transfer learning, and then verify the effectiveness of the model with related corpora. The project proposes a basic representation model of text and its semantic structure based on the graph model, starts with the foundation of transfer learning model, takes the text sentiment analysis

英文关键词: transfer learning;text sentiment;graph model;transductive transfer learning;inductive transfer learning

成为VIP会员查看完整内容
1

相关内容

迁移学习(Transfer Learning)是一种机器学习方法,是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。迁移学习(TL)是机器学习(ML)中的一个研究问题,着重于存储在解决一个问题时获得的知识并将其应用于另一个但相关的问题。例如,在学习识别汽车时获得的知识可以在尝试识别卡车时应用。尽管这两个领域之间的正式联系是有限的,但这一领域的研究与心理学文献关于学习转移的悠久历史有关。从实践的角度来看,为学习新任务而重用或转移先前学习的任务中的信息可能会显着提高强化学习代理的样本效率。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
50+阅读 · 2021年8月13日
专知会员服务
64+阅读 · 2021年7月25日
专知会员服务
59+阅读 · 2021年5月28日
专知会员服务
79+阅读 · 2021年5月27日
专知会员服务
69+阅读 · 2021年5月21日
领域自适应研究综述
专知会员服务
54+阅读 · 2021年5月5日
专知会员服务
47+阅读 · 2020年10月20日
实体关系抽取方法研究综述
专知会员服务
176+阅读 · 2020年7月19日
最新《多任务学习》综述,39页pdf
专知会员服务
263+阅读 · 2020年7月10日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
2022最新图嵌入模型综述
机器学习与推荐算法
3+阅读 · 2022年1月18日
最新综述!基于图神经网络的关系抽取技术进展
领域自适应研究综述
专知
6+阅读 · 2021年5月5日
多模态视觉语言表征学习研究综述
专知
27+阅读 · 2020年12月3日
最新《多任务学习》综述,39页pdf
专知
28+阅读 · 2020年7月10日
赛尔笔记 | 自然语言处理中的迁移学习(上)
哈工大SCIR
16+阅读 · 2019年10月17日
迁移学习在深度学习中的应用
专知
23+阅读 · 2017年12月24日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2008年12月31日
Hierarchical Graph Capsule Network
Arxiv
20+阅读 · 2020年12月16日
Domain Representation for Knowledge Graph Embedding
Arxiv
14+阅读 · 2019年9月11日
小贴士
相关VIP内容
专知会员服务
50+阅读 · 2021年8月13日
专知会员服务
64+阅读 · 2021年7月25日
专知会员服务
59+阅读 · 2021年5月28日
专知会员服务
79+阅读 · 2021年5月27日
专知会员服务
69+阅读 · 2021年5月21日
领域自适应研究综述
专知会员服务
54+阅读 · 2021年5月5日
专知会员服务
47+阅读 · 2020年10月20日
实体关系抽取方法研究综述
专知会员服务
176+阅读 · 2020年7月19日
最新《多任务学习》综述,39页pdf
专知会员服务
263+阅读 · 2020年7月10日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
相关资讯
2022最新图嵌入模型综述
机器学习与推荐算法
3+阅读 · 2022年1月18日
最新综述!基于图神经网络的关系抽取技术进展
领域自适应研究综述
专知
6+阅读 · 2021年5月5日
多模态视觉语言表征学习研究综述
专知
27+阅读 · 2020年12月3日
最新《多任务学习》综述,39页pdf
专知
28+阅读 · 2020年7月10日
赛尔笔记 | 自然语言处理中的迁移学习(上)
哈工大SCIR
16+阅读 · 2019年10月17日
迁移学习在深度学习中的应用
专知
23+阅读 · 2017年12月24日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员