《End-to-End Adversarial Memory Network for Cross-domain Sentiment Classification》閱讀筆記
論文連結:https://www.ijcai.org/proceedings/2017/0311.pdf
跨領域情感分類也是一個domain adaptation任務。因為領域矛盾,在一個領域上訓練的可能不能直接用於其他領域。傳統的方法是手動去挑選pivots(支點,核心)。深度學習的方法可以學習領域共享的表示,然而,缺乏解釋性去直接識別pivots。為了解決這個問題,本文提出一個端對端的對抗記憶網路(Adversarial Memory Network, AMN)去解決跨領域的情感分類。使用attention機制來自動抓取pivots。本文的框架包括兩個引數共享的memory network,一個用於sentiment分類,一個用於domain分類。兩個網路是聯合訓練的所以選擇的特徵可以最小化情感分類的錯誤,同時使領域分類器對於source和target domain是非歧視性的。
Introduction:
傳統做情感分類是基於支援向量機(support vector machine),使用手工的特徵,例如bag-of-n-grams。
用深度學習依賴大量標註的資料,time-consuming and expensive manual labeling.
本文的貢獻:
1. 自動識別pivots,使用attention機制,不需要手動選擇pivots
2. AMN模型可以實現視覺化,告訴我們哪個是pivots,which makes the representation shared by domains more interpretable.
3. achieve better peroformance
Problem definition and notation(記號):
有一組標記資料和未標記資料,在target domain中,有一組未標記資料。跨域情感分類是要學習一個robust的分類器,這個分類器是在有標註的source領域訓練的,用來預測target領域的未標記資料的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可以抓取相關聯的重要單詞,使用attention機制。
The goal of the AMN model is to automatically capture the pivots.
利用memory network來抽取pivots,這種pivots有兩種特性:1)對於情感分類很重要的情感詞 2) 這些詞在領域之間是共享的。
設計了兩個引數共享的深度memory network,一個網路MN-sentiment 用做sentiment分類,一個網路MN-domain用做domain分類,致力於預測樣本中的domain labels。
給一個文件d={w1, w2, ..., wn},首先將每個詞對映到embedding向量 ei = Awi,文件獲得一個向量表示 e = {e1, e2, ..., en}。這些word vectors堆疊起來輸入到一個外部的memory。
m是memory size,大於文件的最大長度,free memories用0做填充。每個memory network包括多個hops,每個包含一個attention層和一個linear層。 在第一個hop中,使用query vector qw作為輸入通過attention層來抓取memory m中的重要單詞。query vector qw是在訓練過程中隨機初始化的 can be learned for a high-level representation according to the task of interest。
query vector輸入後,attention層和線性變換層的輸出結合起來作為下一個hop的輸入。最後一個hop的輸出作為整個document的representation,進一步被用做sentiment分類和domain分類。
對於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,給最後一個hop和domain分類器之間增加Gradient Reversal Layer(GRL),用於reverse the gradient direction of the MN-domain network. 用這種方法可以生成一個domain分類器不能預測的表示,最大化domain的confusion。MN-domain使用的query vector可以看作"what is the domain-shared word"。
聯合訓練,query vector可以看作是“what is the pivot”
Components:
1. Word Attention
MN-sentiment network:根據source領域的有標註的資料來更新external memory ms。
MN-domain network:根據所有來自source領域和target領域的資料來更新external memory md。
首先將每個memory mi 通過放進一個一層的神經網路獲得hidden representation hi,通過比較hi和query vector qw的相似度來評價一個詞的重要度,獲得歸一化的重要度權重:
n is the size of the memory occupied, hi=tanh(Wsmi + bs)。不使用全部的memory m,因為我們發現attention模型有時會分配很大的權重在free memories並且分配低的權重在occupied part,這樣會降低document representation的質量。free memories的權重都被設定為0.
attention層的輸出為:
Sentiment Classifier:
將MN-sentiment network的最後一個hop的輸出作為document representation vs,然後做softmax分類。
最小化交叉熵
Domain Classifier:
不同的是,在將document representation vd送到softmax之前,vd先送到GRL,在前向傳播時,GRL作為一個identity function,但是在bp時,GRL拿到梯度後,乘以 -入
可以將GRL看作一個假函式:
The domain classifier is trained to minimize the cross-entropy for all data from the source and target domains
Regularization:
為了避免過擬合,假如來 squared Frobenius norm 給Ws, Wd, 給bias bs,bd增加squared l2 norm regularization:
Joint learning:
相關文章
- [論文閱讀筆記] Adversarial Mutual Information Learning for Network Embedding筆記ORM
- 《EARLY METHODS FOR DETECTING ADVERSARIAL IMAGES》閱讀筆記筆記
- 《REBEL Relation Extraction By End-to-end Language generation》閱讀筆記筆記
- [論文閱讀筆記] Adversarial Learning on Heterogeneous Information Networks筆記ORM
- [論文閱讀筆記] Structural Deep Network Embedding筆記Struct
- CIAGAN: Conditional Identity Anonymization Generative Adversarial Networks閱讀筆記IDE筆記
- 【論文閱讀筆記】Aspect-based sentiment analysis with alternating coattention networks筆記
- (閱讀筆記)Oblivious Neural Network Predictions via MiniONN Transformations筆記ORM
- 閱讀筆記筆記
- [論文閱讀筆記] Community aware random walk for network embedding筆記Unityrandom
- 【閱讀筆記:字典】筆記
- gdbOF閱讀筆記筆記
- 閱讀筆記03筆記
- 閱讀筆記02筆記
- 閱讀筆記8筆記
- 閱讀筆記1筆記
- 閱讀筆記5筆記
- 閱讀筆記4筆記
- 閱讀筆記3筆記
- 閱讀筆記7筆記
- 閱讀筆記2筆記
- 論文閱讀筆記:LINE: Large-scale Information Network Embedding筆記ORM
- Spatio-Temporal Representation With Deep Neural Recurrent Network in MIMO CSI Feedback閱讀筆記筆記
- [論文閱讀筆記] Unsupervised Attributed Network Embedding via Cross Fusion筆記ROS
- JDK原始碼閱讀:Object類閱讀筆記JDK原始碼Object筆記
- 《Clean Code》閱讀筆記筆記
- Dependencies for Graphs 閱讀筆記筆記
- javascript閱讀筆記01JavaScript筆記
- #EffectiveJava筆記#閱讀心得Java筆記
- 閱讀影片方法筆記筆記
- 《快速閱讀術》讀書筆記筆記
- 論文解讀( FGSM)《Adversarial training methods for semi-supervised text classification》AI
- JDK原始碼閱讀(5):HashTable類閱讀筆記JDK原始碼筆記
- JDK原始碼閱讀(4):HashMap類閱讀筆記JDK原始碼HashMap筆記
- JDK原始碼閱讀:String類閱讀筆記JDK原始碼筆記
- MapReduce 論文閱讀筆記筆記
- ArrayList原始碼閱讀筆記原始碼筆記
- CopyOnWriteArrayList原始碼閱讀筆記原始碼筆記