典型文献
融合标签语义特征的BERT微调问句分类方法
文献摘要：
问句分类(Question Classification,QC)对提高问答系统的质量和性能有着重要的作用.目前,现有的问句分类方法面临着数据稀疏的问题.双向编码器表征量(Bidirectional Encoder Representations from Transformers,BERT)微调可以实现跨领域问句分类,是一种很好的解决新领域带标签问句稀疏的措施.然而,这种方法往往忽略了自然语言类标签提供的显式语义信息.如果要扩展问句分类器以预测新类,且只有少数训练示例,则可以利用该类标签提供的语义信息,预测问句与标签之间的关联.本文将类别标签的特征引入BERT微调模型,简称为L-BERT-FiT.实验结果表明,相较于BERT微调,改进后模型的平均分类精度提升了约2.86％.
文献关键词：
跨领域问句分类;深度迁移学习;微调;类标签语义信息
中图分类号：
作者姓名：
亢文倩
作者机构：
昆明理工大学 信息工程与自动化学院,云南 昆明 650500
文献出处：
引用格式：
[1]亢文倩-.融合标签语义特征的BERT微调问句分类方法)[J].电视技术,2022(05):46-49,53
A类：
跨领域问句分类,类标签语义信息
B类：
融合标签,语义特征,BERT,微调,问句分类方法,Question,Classification,QC,问答系统,数据稀疏,双向编码器,Bidirectional,Encoder,Representations,from,Transformers,新领域,自然语言,显式,分类器,新类,示例,征引,FiT,平均分,分类精度,精度提升,深度迁移学习
AB值：
0.328373
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。
