主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第6期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
赵传君,王素格,李德玉.跨领域文本情感分类研究进展.软件学报,2020,31(6):1723-1746
跨领域文本情感分类研究进展
Research Progress on Cross-domain Text Sentiment Classification
投稿时间:2019-09-12  修订日期:2020-02-29
DOI:10.13328/j.cnki.jos.006029
中文关键词:  跨领域文本情感分类|领域适应|迁移学习|研究进展
英文关键词:cross-domain sentiment classification|domain adaptation|transfer leaning|research progress
基金项目:国家自然科学基金(61906110,61632011,61573231,61672331,61432011,61603229);山西省高等学校科技创新项目(2019L0500);山西省应用基础研究计划(201901D211414);山西省高等学校优秀成果培育项目(2019SK036)
作者单位E-mail
赵传君 山西财经大学 信息学院, 山西 太原 030006 zhaochuanjun@foxmail.com 
王素格 山西大学 计算机与信息技术学院, 山西 太原 030006
计算智能与中文信息处理教育部重点实验室(山西大学), 山西 太原 030006 
 
李德玉 山西大学 计算机与信息技术学院, 山西 太原 030006
计算智能与中文信息处理教育部重点实验室(山西大学), 山西 太原 030006 
 
摘要点击次数: 593
全文下载次数: 262
中文摘要:
      作为社会媒体文本情感分析的重要研究课题之一,跨领域文本情感分类旨在利用源领域资源或模型迁移地服务于目标领域的文本情感分类任务,其可以有效缓解目标领域中带标签数据不足问题.从3个角度对跨领域文本情感分类方法行了归纳总结:(1)按照目标领域中是否有带标签数据,可分为直推式和归纳式情感迁移方法;(2)按照不同情感适应性策略,可分为实例迁移方法、特征迁移方法、模型迁移方法、基于词典的方法、联合情感主题方法以及图模型方法等;(3)按照可用源领域个数,可分为单源和多源跨领域文本情感分类方法.此外,还介绍了深度迁移学习方法及其在跨领域文本情感分类的最新应用成果.最后,围绕跨领域文本情感分类面临的关键技术问题,对可能的突破方向进行了展望.
英文摘要:
      As an important research topic in social media text sentiment analysis, cross-domain text sentiment classification aims to use the source domain resources or model transfer to serve the target domain text sentiment classification task, which can effectively solve the problem of insufficient data marking in specific domains. In order to solve the problem of cross-domain sentiment adaptation, this article summarizes the existing studies of cross-domain sentiment classification from three perspectives, i.e., (1) it can be divided into transductive and inductive cross-domain sentiment classification methods according to whether there is labeled data in the target domain; (2) it can be divided into instance transferring based, feature transferring based, model or parameters transferring based, sentiment dictionary based, joint sentiment topic based, and graph model based methods according to different sentiment adaption strategies; (3) it can also be divided into single-source domain and multi-source domains of cross-domain sentiment classification according to the number of available source domains. In addition, it is also introduced that a new approach of deep transfer learning to solve cross-domain sentiment classification problems, and summarize its latest research results in cross-domain sentiment classification. Finally, the challenges are combined with key issues of current cross-domain sentiment classification technology and further study directions are pointed out.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利