典型文献
融合主题模型和动态路由的小样本学习方法
文献摘要：
针对小样本学习标注训练样本过少,导致特征表达力弱的问题,本文结合有监督主题模型(Supervised LDA,SLDA)和动态路由算法提出一种新的动态路由原型网络模型(Dynamic routing prototypical network based on SLDA,DRP?SLDA).利用SLDA主题模型建立词汇与类别之间的语义映射,增强词的类别分布特征,从词粒度角度编码获得样本的语义表示.提出动态路由原型网络(Dynamic routing prototypical network,DR?Proto),通过提取交叉特征利用样本之间的语义关系,采用动态路由算法迭代生成具有类别代表性的动态原型,旨在解决特征表达问题.实验结果表明,DRP?SLDA模型能有效提取词的类别分布特征,且获取动态原型提高类别辨识力,从而能够有效提升小样本文本分类的泛化性能.
文献关键词：
小样本学习;元学习;原型网络;有监督主题模型;文本分类
中图分类号：
作者姓名：
张淑芳;唐焕玲;郑涵;刘孝炎;窦全胜;鲁明羽
作者机构：
山东工商学院计算机科学与技术学院,烟台 264005;山东省高等学校协同创新中心:未来智能计算,烟台 264005;山东省高校智能信息处理重点实验室(山东工商学院),烟台 264005;山东工商学院信息与电子工程学院,烟台 264005;大连海事大学信息科学技术学院,大连 116026
文献出处：
引用格式：
[1]张淑芳;唐焕玲;郑涵;刘孝炎;窦全胜;鲁明羽-.融合主题模型和动态路由的小样本学习方法)[J].数据采集与处理,2022(03):586-596
A类：
有监督主题模型,小样本文本分类
B类：
融合主题,小样本学习,训练样本,特征表达,表达力,Supervised,SLDA,动态路由算法,原型网络,Dynamic,routing,prototypical,network,on,DRP,语义映射,度角,出动,Proto,交叉特征,语义关系,表达问题,有效提取,取词,泛化性能,元学习
AB值：
0.298565
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。
