Page 25 - 《软件学报》2026年第4期
P. 25

1466                                                       软件学报  2026  年第  37  卷第  4  期


                  4.8   敏感性实验

                    为了确定域间高质量样本选择指标             Q inter  及域内高质量样本选择指标     Q intra  的最优超参数设置, 本文以向    S  领
                 域迁移的跨领域任务为例, 针对         Q inter  的超参数  α、  β 及   Q intra  的超参数  µ、 η 进行了敏感性实验.
                                                                   α、 β 组合下进行了实验, 表      12  中展示了在不同
                    针对领域间高质量样本选择过程, 本文在不同的                Q inter  超参数
                 的超参数   α、  β 组合下各源领域组合的       Q inter  值.
                    表  12  中的实验结果表明, 当    α 取  0.6、 β 取  0.4  时, 各源领域组合  Q inter  值的平均值达到最高, 为  10.37. 说明在
                 该超参数组合下能够有效地兼顾领域特征差异性与语义相似性, 提升源领域样本在迁移到目标领域过程中的整体
                 质量评估效果. 该超参数设置更侧重于语义相似性项的权重, 适度减少了对领域差异项的关注. 这种权重分配使得
                 在选取源领域样本时, 倾向于选择在语义层面与目标领域文本更接近的样本, 提高模型对目标领域语义的适应性,
                                                                                               Q inter  值较为
                 更准确地识别目标领域中的方面和情感表达. 同时表中结果表明在该超参数组合下, 各源领域组合上
                 均衡, 波动较小, 说明该设置具有更好的鲁棒性, 避免个别源领域组合因特征不匹配而导致的                             Q inter  值分布差异过
                 大问题, 增强方法在不同源领域组合下的一致性和泛化能力.
                    在  (0.6, 0.4) 的超参数  α、  β 组合下, 本文选取其中  Q inter  值最大的  D+R  源领域组合作为待迁移源领域组合. 针
                 对领域内高质量样本选择过程, 本文在不同的               Q intra  超参数  µ、 η 组合下进行了实验, 表  13  中展示了在不同的超参
                   µ、 η 组合下不同跨领域任务的实验结果. 表中粗体数据为不同任务最高的数值.
                 数

                 表 12 以  S  领域为目标领域时各源领域组合在不同超                表 13 以  S  领域为目标领域时不同跨领域任务在不同
                                         Q inter  值                     超参数下    F1  值效果对比  (%)
                             参数下计算所得

                   (α, β)  D+L+R   D+R   D+L    L+R   Avg           (µ, η)        ATE          ABSC
                  (0.2, 0.8)  10.18  11.36  9.27  10.65  10.36     (0.2, 0.8)     39.84        35.24
                  (0.4, 0.6)  10.25  10.98  9.54  10.51  10.32     (0.4, 0.6)     42.31        36.77
                  (0.6, 0.4)  10.37  10.86  9.81  10.44  10.37     (0.6, 0.4)     44.65        38.26
                  (0.8, 0.2)  10.44  10.48  10.08  10.30  10.32    (0.8, 0.2)     50.27        41.38

                    表  13  中实验结果表明, 在领域内高质量样本选择指标              Q intra  的不同超参数组合下, 各跨领域任务的实验结果
                 表现出明显性能差异. 随着超参数中           µ 逐步增大, 方法在两个任务上的         F1  值呈现出上升趋势. 其中, 在      µ 取  0.8、 η
                 取  0.2  的设置下, ATE  任务达到最高   F1  值  50.27%, ABSC  任务达到最高  F1  值  41.38%. 说明在领域内样本选择过
                 程中, 更加重视样本的领域通用性评分, 而相对降低其与目标领域类中心距离的影响, 能够挑选对迁移更具代表性

                 和普适性的样本, 提升下游任务性能. 当           µ 取  0.2、 η 取  0.8  时, 更侧重选择与目标领域类中心距离较近的样本, 对
                 样本通用性关注较少, 性能相对较低, 表明单纯考虑与目标领域类中心的相似性不足以保证样本在迁移过程中的
                 有效性, 甚至引入噪声样本, 限制模型的泛化能力.
                  4.9   案例研究
                    本文从   S→L  迁移任务的网络服务       (S) 数据集中选择了一些示例句子, 并在表           14  中给出了各句子经过      HQSS-
                 CDABSA  方法计算得到的对应样本的域内高质量样本选择指标                   Q intra  及数据质量  Q 的值, 并标注了各句子是否被
                 选中作为训练数据. 其中, 第       1  列为句子编号, 第    2  列显示选定的示例样本, 第      3、4  列展示了   HQSS-CDABSA  方

                 法计算得到的对应样本的域内高质量样本选择指标                  Q intra  及数据质量  Q 的值, 第  5  列展示了在  70%  的样本选择比
                 例下句子是否被选中作为训练数据. 从表             14  中可以发现, 在  70%  的样本选择比例下, 前      3  个句子被选中作为训练
                 数据参与模型训练, 其余两句均未入选. 对于第              1  个句子, 该句子描述了用户在使用网站时的体验, 虽然主题与网
                 络服务相关, 但其中涉及的“易用性”概念在             L  领域中也具有普遍性. 同时句中“easy”一词与用户体验相关, 这种情
                 感表达在跨领域任务中具有一定的通用性. 第               2  个句子则涉及账户管理和平台集成, 这种技术性描述在                L  领域中
                 同样存在, 例如不同软件或服务的账户集成. 第             3  个句子描述了在线社区的功能, 这种社交功能在              L  领域中同样存
                 在类似应用, 例如在线论坛或聊天软件. 因此上述句子适合作为向                    L  领域迁移的训练样本. 而其余两个句子主题分
                 别围绕电话铃声和书籍内容, 与         L  领域的关联性极弱, 不适合向        L  领域进行迁移训练.
   20   21   22   23   24   25   26   27   28   29   30