摘要
本文研究了情感分类（Sentiment Classification, SC）场景下的持续学习（Continual Learning, CL）问题。在该设定中，CL系统通过神经网络逐步学习一系列SC任务，每个任务均构建一个分类器，用于对特定产品类别或领域下的评论情感进行分类。由此引出两个关键问题：系统能否将先前任务中所学知识有效迁移至当前新任务，从而帮助其构建更优的模型？同时，在学习新任务的过程中，是否也能对旧任务的已有模型进行优化与提升？为此，本文提出一种名为KAN的新技术，以实现上述目标。KAN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的情感分类准确率。实验结果充分验证了KAN方法的有效性。