Adversarial Deep Averaging Networks for Cross-Lingual Sentiment Classifification
个人理解
跨语言的域自适应
双语嵌入
F 语言特征提取器 输入的英语和汉语分别的特征分布 通过Q来使得二者之间的分布越来越相似
P 分类器 F提供带有标签的src英语 去训练判别器 随着F中src与tar之间的分布越来越像 我们的测试试验是输入有标签的汉语进入P 然后判断我们的精确度
Q 辨别F提供的无标签的数据来自src 还是tar 其目的是为了更好地判断源与目标域之间的差别
存在问题
双语嵌入BWEs?—解决不同语言之间gap的13与18年的论文
emb_filename:…/data/bwe/Stanford_BWE.txt
Stanford_BWE.txt :就是英文与中文每个词的编码文件
vocab = Vocab(opt.emb_filename):vocab 会把根据我们源与目标域的数据集进行添加Stanford_BWE.txt
F内输入的究竟有哪些内容?
解决问题
双语嵌入—解决不同语言之间gap的13与18年的论文
理解:
对于不同的语言进行gap的最小化 BWEs
F内输入是 源与目标内的所有的信息
实验部分
将英文 作为源域 中文和阿拉伯语分别作为目标域
在不同的模型上测试我们目标域上的标签分类准确度