标题： 跨域情感分析的加权领域不变表示学习 显示英文标题

标题： Weighed Domain-Invariant Representation Learning for Cross-domain Sentiment Analysis

摘要： 跨域情感分析目前是研究和工程领域的热门话题。 该领域中最受欢迎的框架之一是领域不变表示学习（DIRL）范式，其目标是在不同领域之间学习分布不变的特征表示。 然而，在本工作中，我们发现当标签分布 $\rm{P}(\rm{Y})$ 在不同领域发生变化时，应用 DIRL 可能会损害领域适应性。 为了解决这个问题，我们对 DIRL 进行了修改，得到了一种新的加权领域不变表示学习（WDIRL）框架。 我们表明，将现有的 SOTA DIRL 模型迁移到 WDIRL 是很容易的。 在广泛的跨域情感分析任务上的经验研究表明了我们的陈述，并验证了我们所提出解决方案的有效性。 显示英文摘要

摘要： Cross-domain sentiment analysis is currently a hot topic in the research and engineering areas. One of the most popular frameworks in this field is the domain-invariant representation learning (DIRL) paradigm, which aims to learn a distribution-invariant feature representation across domains. However, in this work, we find out that applying DIRL may harm domain adaptation when the label distribution $\rm{P}(\rm{Y})$ changes across domains. To address this problem, we propose a modification to DIRL, obtaining a novel weighted domain-invariant representation learning (WDIRL) framework. We show that it is easy to transfer existing SOTA DIRL models to WDIRL. Empirical studies on extensive cross-domain sentiment analysis tasks verified our statements and showed the effectiveness of our proposed solution.