这是andrew等人2005年的论文，并不新，我看他不是为了学习文本分类，而是为了看他是如何在这个特定任务上使用迁移学习的，因为最近在做迁移学习，但是应用方向不同，迁移学习也是一个比较大的方向，包含多种实现方法，但是我觉得难点是在formulation上，所以以这篇论文为范例，看他的理论推导和迁移学习的结合
传统线性文本分类的原理：利用相关
线性文本分类算法的工作原理：计算测试文本向量和一个参数向量的内积inner product。这个参数向量是由训练集数据的一些简单的闭式函数g（称为从数据到参数的映射，mapping from statistics to parameters,也叫做参数函数）决定的。文本分类的很多研究都是在努力去识别更好的参数函数g。本文提出了一个算法从相关的分类问题中自动学习这个参数函数。
测试文本向量和一个参数向量的内积：
θ k 1 , θ k 2 , ⋯ , θ k n \theta_{k1}, \theta_{k2}, \cdots, \theta_{kn} θk1,θ
最低0.47元/天 解锁文章
扫一扫
1249
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
