使用语义表示的跨域情感分类

基于摘要分析。本文研究跨域情感分类，针对既有方法依赖枢轴特征或利用目标域数据学习表示、未充分考虑域间语义关联的问题，引入 Abstract Meaning Representation（AMR，抽象意义表示），构建情感驱动的语义图，并融合文本与图表示进行分类。 核心机制包括：从句子级 AMR 构建情感驱动的语义图，设计两种图线性化策略，再通过文本—图交互模型融合两类表示。作者认为，相比原始文本，AMR 能降低数据稀疏性，并显式提供核心语义知识及域间关联。摘要未说明图构建规则、两种线性化策略的具体差异、交互结构、训练目标，以及是否使用目标域数据，相关细节尚未验证。 作者报告，在跨域情感分类实验中，所提模型优于若干强基线，结果也支持情感驱动语义图的重要性。但摘要未提供数据集、域划分、监督设置、指标和具体数值，因此无法判断增益幅度及适用范围；实验协议、消融及统计信息尚未验证。 本文的直接贡献属于自然语言处理中的跨域语义表示，而非 EEG 或 BCI 方法。AMR 依赖文本语义解析，不能直接视为神经信号的通用表示；材料未提供与 EEG 数据结构或监督条件对应的独立机制，因此不据此提出 BCI 迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。