标题： 基于层次化注意力生成对抗网络的跨领域情感分类 显示英文标题

标题： Hierarchical Attention Generative Adversarial Networks for Cross-domain Sentiment Classification

摘要： 跨领域情感分类（CDSC）是领域自适应和情感分类中的一个重要任务。 由于领域差异，一个在源领域数据上训练的情感分类器可能在目标领域数据上表现不佳。 近年来，许多研究人员使用深度神经网络模型进行跨领域情感分类任务，其中许多方法使用梯度反转层（GRL）设计对抗网络结构来训练一个领域共享的情感分类器。 与这些方法不同，我们提出了分层注意力生成对抗网络（HAGAN），通过交替训练生成器和判别器，以生成一个具有情感可区分性但领域不可区分性的文档表示。 此外，HAGAN模型应用双向门控循环单元（Bi-GRU）将单词和句子的上下文信息编码到文档表示中。 此外，HAGAN模型使用分层注意力机制优化文档表示并自动捕捉关键词和非关键词。 在亚马逊评论数据集上的实验表明了HAGAN的有效性。 显示英文摘要

摘要： Cross-domain sentiment classification (CDSC) is an importance task in domain adaptation and sentiment classification. Due to the domain discrepancy, a sentiment classifier trained on source domain data may not works well on target domain data. In recent years, many researchers have used deep neural network models for cross-domain sentiment classification task, many of which use Gradient Reversal Layer (GRL) to design an adversarial network structure to train a domain-shared sentiment classifier. Different from those methods, we proposed Hierarchical Attention Generative Adversarial Networks (HAGAN) which alternately trains a generator and a discriminator in order to produce a document representation which is sentiment-distinguishable but domain-indistinguishable. Besides, the HAGAN model applies Bidirectional Gated Recurrent Unit (Bi-GRU) to encode the contextual information of a word and a sentence into the document representation. In addition, the HAGAN model use hierarchical attention mechanism to optimize the document representation and automatically capture the pivots and non-pivots. The experiments on Amazon review dataset show the effectiveness of HAGAN.