典型文献
少样本文本分类的多任务原型网络
文献摘要：
少样本文本分类中,原型网络对语义利用不足、可迁移特征挖掘不够,导致模型泛化能力不强,在新任务空间中分类性能不佳.从模型结构、编码网络、度量网络等角度提高模型泛化性,提出多任务原型网络(multi-ple-task prototypical network,MTPN).结构上,基于原型网络度量任务增加辅助分类任务约束训练目标,提高了模型的语义特征抽取能力,利用多任务联合训练,获得与辅助任务更相关的语义表示.针对编码网络,提出LF-Transformer编码器,使用层级注意力融合底层通用编码信息,提升特征的可迁移性.度量网络使用基于BiG-RU的类原型生成器,使类原型更具代表性,距离度量更加准确.实验表明,MTPN在少样本文本情感分类任务中取得了 91.62％的准确率,比现有最佳模型提升了 3.5％以上;在新领域的情感评论中,基于五条参考样本,模型对查询样本可获得超过90％的分类准确率.
文献关键词：
少样本学习;原型网络;文本分类;多任务学习
中图分类号：
作者姓名：
于俊杰;程华;房一泉
作者机构：
华东理工大学信息科学与工程学院,上海200237
文献出处：
引用格式：
[1]于俊杰;程华;房一泉-.少样本文本分类的多任务原型网络)[J].计算机应用研究,2022(05):1368-1373
A类：
MTPN
B类：
文本分类,原型网络,义利,迁移特征,特征挖掘,泛化能力,新任务,任务空间,分类性能,模型结构,编码网络,模型泛化性,multi,ple,task,prototypical,network,基于原型,网络度,分类任务,语义特征,特征抽取,联合训练,辅助任务,LF,Transformer,编码器,层级注意力,注意力融合,编码信息,可迁移性,网络使用,BiG,RU,生成器,距离度量,文本情感分类,新领域,五条,分类准确率,少样本学习,多任务学习
AB值：
0.449006
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
