เปรียบเทียบวิธี

	การวิเคราะห์ความรู้สึกแบบปรับตามโดเมน	การเรียนรู้แบบถ่ายโอนด้วยการจำแนกประเภทโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2007	2019 (BERT); transfer learning paradigm established circa 2010
ผู้ริเริ่ม	Blitzer, J.; Dredze, M.; Pereira, F.	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (BERT); Pan, S. J. & Yang, Q. (transfer learning survey)
ประเภท	Domain adaptation for text classification	Pre-trained transformer fine-tuned for classification
แหล่งต้นตำรับ	Blitzer, J., Dredze, M., & Pereira, F. (2007). Biographies, Bollywood, Boom-boxes and Blenders: Domain Adaptation for Sentiment Classification. Proceedings of the 45th Annual Meeting of the Association for Computational Linguistics (ACL), 440–447.	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics.
ชื่อเรียกอื่น	cross-domain sentiment analysis, domain-adaptive opinion mining, domain transfer sentiment classification, DASA	BERT fine-tuning for classification, BERT transfer learning classifier, pre-trained BERT classifier, BERT downstream classification
ที่เกี่ยวข้อง	5	4
สรุป	Domain-adaptive sentiment analysis trains a sentiment model on one or more labeled source domains (e.g., product reviews) and adapts it to a target domain (e.g., social media posts or news) where labels are scarce or absent. By bridging the vocabulary and distributional gap between domains, it achieves strong sentiment classification without requiring large labeled corpora in every target domain.	Transfer Learning with BERT-based Classification adapts a large transformer language model, pre-trained on massive text corpora, to a target classification task by fine-tuning its weights on labeled examples. The pre-trained representations encode rich syntactic and semantic knowledge, enabling high accuracy even when the labeled dataset is small.