في هذه الورقة، يمكننا التحقيق في مهمة تحليل المشاعر الفئة من الفئة (ACSA) من منظور جديد من خلال استكشاف بناء الرسوم البيانية المدرجة في جوانب التجريبية على أساس المعرفة الخارجية. وهذا يعني أننا لم نعد النزود حول كيفية البحث بشغف على أدلة المشاعر للجو
انب الخشنة من السياق، ولكن كيف تفضل أن تجد الكلمات ذات الصلة بشدة إلى الجوانب في السياق وتحديد أهميتها بناء على قاعدة المعرفة العامة وبعد وبهذه الطريقة، يمكن تتبع أدلة المعنويات السياقية بشكل صريح في ACSA للجوانب في ضوء هذه الكلمات المتعلقة بالجانب. لتكون محددة، نعتبر أولا كل جانب كحوري لاستخلاص الكلمات التي تدرك الجانب مرتبطة بشدة بالجانب من معرفة المناولة العاطفية الخارجية. بعد ذلك، نوظف توزيع بيتا لاستكشاف الوزن على دراية الجسدة، والذي يعكس أهمية الجانب، لكل كلمة على أساس جوانب. بعد ذلك، يتم تقديم الكلمات التي يدركها الجانب كضعف من جانب المحبوس الخشبي لإنشاء رسوم بيانية لاستفادة من تبعيات المعنويات السياقية ذات الصلة بالجانب في ACSA. تظهر التجارب في 6 مجموعات بيانات معيار أن نهجنا تتفوق بشكل كبير على أساليب خط الأساس الحديثة.
أسفرت صعود النماذج اللغوية المدربة مسبقا تقدما كبيرا في الغالبية العظمى من مهام معالجة اللغة الطبيعية (NLP). ومع ذلك، يمكن أن يكون النهج العام باتجاه الإجراء المسبق للتدريب بطبيعة الحال في بعض الحالات. بشكل خاص، قم بضبط نموذج لغة مدرب مسبقا في مجال ا
لمصدر ثم تطبيقه على نطاق مستهدف مختلف، يؤدي إلى انخفاض أداء حاد من المصنف النهائي للعديد من أزواج المجال المستهدف المصدر. علاوة على ذلك، في بعض مهام NLP، تختلف فئات الإخراج بشكل كبير بين المجالات، مما يجعل التكيف أكثر تحديا. هذا، على سبيل المثال، يحدث في مهمة استخراج الجانب، حيث قد تكون جوانب اهتمام الاستعراضات، على سبيل المثال، المطاعم أو الأجهزة الإلكترونية مختلفة للغاية. تقدم هذه الورقة مخططا جديدا للضبط في بيرت، والتي تهدف إلى معالجة التحديات المذكورة أعلاه. نحن نسمي هذا المخطط Dilbert: تعلم المجال الثابتة مع Bert، وتخصيصه لاستخراج الجانب في إعداد تكيف المجال غير المقترح. يسخر Dilbert المعلومات الفئوية لكل من المصدر والمجالات المستهدفة لتوجيه عملية التدريب المسبق نحو تمثيل ثنائي النطاق والفئة، مما يغلق الفجوة بين المجالات. نظهر أن Dilbert يعطي تحسينات كبيرة على خطوط الأساس الحديثة أثناء استخدام جزء صغير من البيانات غير المسبقة، لا سيما في إعدادات تكيف مجال أكثر تحديا.
