在结合了这两种技术之后，情感分析的结果堪比使用目标语言中注释数据的系统产生的结果，但我们并不需要目标语言注释数据，这是非常大的改进。与域内数据训练的基线相比，该方法对双语词典构建也有显著改进。

BWEs适应

在一般领域文本上训练的BWEs ，在特定领域的系统中使用时通常会导致性能降低。这有两个原因。（i）特定领域的词汇包含一般情况下不使用的词，例如药品或疾病的名称。（ii）一个词的含义在各个领域有所不同；例如， “苹果”在一般领域中主要指水果，但在许多产品评论中是一种电子设备。

为了创建适应域的BWEs ，我们首先在两种语言中训练MWEs（单语单词嵌入），然后使用post-hoc映射将它们映射到相同的空间。我们通过将单语域外数据和域内数据连接起来，为两种语言训练MWEs 。域外数据允许我们创建通用词汇的精确分布式表示，而域内数据则嵌入特定于域的词汇。然后，我们使用一个小的种子词汇映射这两个MWEs来创建适应的BWEs 。因为post-hoc映射只需要一个种子词汇作为双语信号，所以它可以很容易地用于（廉价）单语数据。