用于持续学习一系列方面情感分类任务的BERT自适应方法

本文研究了多个方面情感分类（Aspect Sentiment Classification, ASC）任务序列的持续学习（Continual Learning, CL）问题。尽管已有部分持续学习技术被提出用于文档级情感分类，但目前尚无针对ASC任务的持续学习研究。一个能够逐步学习ASC任务序列的持续学习系统，需解决以下两个关键问题：（1）将先前任务中所学知识有效迁移至新任务，以帮助其构建更优的模型；（2）保持对以往任务模型的性能，防止灾难性遗忘。为此，本文提出一种基于胶囊网络的新型模型——B-CL，通过前向与后向知识迁移机制，显著提升了新任务及旧任务上的ASC性能。大量实验验证了B-CL方法的有效性。