基于神经网络的跨语言文本分类中的对抗性域适应与语言无关特征学习研究综述.docVIP

基于神经网络的跨语言文本分类中的对抗性域适应与语言无关特征学习研究综述

1引言

跨语言文本分类（Cross-LingualTextClassification,CLTC）旨在利用资源丰富语言（如英语）的标注数据训练模型，实现对低资源语言（如斯瓦希里语、豪萨语）文本的自动分类任务，是自然语言处理领域解决低资源语言标注数据稀缺问题的核心技术路径。随着多语言预训练模型（MultilingualPre-trainedLanguageModels,mPLMs）的发展，跨语言文本分类的性能得到了显著提升，但不同语言之间的分布偏移（DistributionShift）问题始终是限制模型泛化能力的核心瓶颈：即使是在同一任务场景下，不同语言的文本在词汇表达、句法结构、语义映射关系上存在显著差异，导致在源语言标注数据上训练的模型直接迁移到目标语言时性能出现严重衰减。

对抗性域适应（AdversarialDomainAdaptation,ADA）技术通过引入域判别器与特征提取器的对抗训练机制，能够有效缩小源域与目标域之间的分布差异，而语言无关特征学习（Language-AgnosticFeatureLearning）则致力于从多语言文本中提取不受语言类型影响的通用语义表示，二者的结合成为当前跨语言文本分类领域缓解分布偏移问题的主流研究方向。本文对近五年相关领域的研究进展进行系