摘要

近年来，针对领域迁移下的学习问题提出了多种新型神经模型。然而，大多数模型仅在一个任务上进行评估，使用专有数据集，或者与较弱的基线方法进行比较，这使得不同模型之间的对比变得困难。本文在领域迁移背景下重新评估了经典的通用自举方法与近期的神经网络方法，并提出了一种新的多任务三训练（tri-training）方法，该方法降低了经典三训练的时间和空间复杂度。我们在两个基准数据集上进行了广泛的实验，结果并不完全积极：尽管我们的新方法在情感分析任务中建立了新的最先进水平，但在其他方面并未始终表现最佳。更重要的是，我们得出了一个令人意外的结论：经过一些改进的经典三训练方法优于当前最先进的技术。因此，我们认为经典方法构成了一个重要的强基线。关键词：领域迁移、神经模型、自举方法、三训练（tri-training）、情感分析、基准数据集