Cross-domain Sentiment Classification with Prompt Pre-training and Tuning
Notice bibliographique
Résumé
Sentiment classification, as an essential task for understanding the sentiment content of texts, has garnered extensive attention. However, existing methods face numerous challenges, such as the mismatch between training and testing data in specific domains, which results in insufficient adaptability of models to new domains. Prompt learning is a parameter-efficient strategy that effectively enables pre-trained models to adapt to downstream tasks. In this paper, we propose a novel two-stage method called PT<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>, which consists of two key components: prompt pre-training and prompt fine-tuning. During the prompt pre-training phase, we employ masked language modeling and cross-domain prompt learning, aiming to uncover latent sentiments and acquire cross-domain knowledge. In the prompt fine-tuning phase, we apply the pre-trained model to specific cross-domain sentiment classification tasks, adjusting the model parameters through additional sentiment prompt templates to improve its performance on these specific tasks. We conducted experiments on publicly available datasets and established nine different cross-domain settings. The results indicate that the model, employing our proposed $\mathrm{PT}^{2}$, significantly outperforms previous state-of-the-art approaches in cross-domain sentiment classification tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».