神经网络无监督领域自适应性NLP领域应用算法分类及论文整理

    为了解决传统监督学习需要大量人工标注的问题。顾名思义，就是将某个领域或者任务学习好的知识或模式，应用到到新的不同但相关？的领域中，达到可观的效果。比如我们最常见的fine-tuning。

    根据目前已有的研究显示，1）深度神经网络可以很好地学习到数据间的可迁移特征，或者叫做域不变（domain invariant）特征；2）但由于层数的增加，特征由general到task-specific，越来越不适合迁移，但同时也要保证特征足够。

    领域自适应（Domain Adaptation）：迁移学习的一种。域适应是一种针对解决源域集和目标域分布偏移（domain shift）？的机器学习算法。各式各样的域适应方法旨在通过学习源域和目标域的域不变（domain invariant）特征，从而在目标域没有或少量标签的情况下，将从源域学到的分类器应用于目标域。

    本资源整理了自然语言处理领域中，基于神经网络的无监督领域自适应性相关研究方法分类及相关的论文，经典的综述性论文等资源。

    资源整理自网络，资源获取见源地址：

https://github.com/bplank/awesome-neural-adaptation-in-NLP

目录

论文分类整理