论文部分内容阅读
神经网络模型被广泛用于跨领域分类学习。边缘降噪自动编码器(mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题。然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果影响不同。为此,本文对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(M-MDA)。首先,利用改进的权重似然率(WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(MDA)学习获取更健壮的特征;最后对新的特征空间进行二次损坏以强化共享特征的比例。在跨领域情感分类数据上的实验表明,该算法可以有效提高跨领域情感分类准确率。