计算机科学与探索

作者：杨帅，胡学钢，张玉红

单位：合肥工业大学 计算机与信息学院，合肥 230009

关键词：情感分类,跨领域,噪音,边缘堆叠降噪自动编码器（mSDA）

神经网络模型被广泛用于跨领域分类学习。边缘堆叠降噪自动编码器（marginalized stacked denoising autoencoders，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的影响不同。为此，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（multi-marginalized denoising autoencoders，M-MDA）。首先，利用改进的权重似然率（weighted log-likelihood ratio update，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（marginalized denoising autoencoders，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。实验结果表明，该方法在跨领域情感分类方面优于基线算法。

来源：2019年第2期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2019年第2期