陈曦
今天的日记分成PART 1和PART 2，第一部分主要介绍今天的keynote speech，第二部分介绍的是4场的DL session内容节选（8.29 ~ 8.31）。
同样的，这次主旨演讲的老师的介绍以及paper的摘要可以在下面链接中查询：
http://cse.seu.edu.cn/pricai18/keynote_invited_speakers.html
这里主要是将这次演讲的ppt展示出来，由于本人对迁移学习没有了解，以后可以再学习其中的内容并加入新的笔记内容。
利用shared weight并且将跨领域的loss最小化：
TL和DL结合的方法精确度是最好的：
神经网络层数越小做迁移效果越好：
这里（从source input中训练的参数应用到target input上）的loss function包括两个方面，一个是source loss一个是和target之间的distance loss：
传递性迁移学习transitive transfer learning：
可转移语境Bandit算法的跨领域推荐：
情感分析和迁移学习：
将电影领域的评论情感分析迁移到电商产品上，精确度会下降：
这里的pivots指的是评论中的相同的情感词：
很多时候，不同领域的评论中并不是用相同的情感词：
而且有些情感词在不同领域有相反的极性：
