利用具有句子级加权与标签增强的原型网络进行少样本多标签方面类别检测
计算与语言
2023-09-28 v1
摘要
多标签方面类别检测旨在检测给定句子中出现的多个方面类别。由于方面类别检测常受限于数据集与数据稀疏性,具有注意力机制的原型网络已被应用于少样本方面类别检测。然而,目前使用的大多数原型网络通过取支持集中所有实例的均值来计算原型,这似乎忽略了多标签方面类别检测中实例间的差异。此外,若干相关工作利用标签文本信息增强注意力机制,但标签文本信息往往简短有限,且不足以区分类别。本文中,我们首先引入支持集注意力与增强的标签信息,以缓解每个支持集实例在词级上的噪声。进而,我们采用句子级注意力机制对支持集中各实例赋予不同权重,从而通过加权平均计算原型。最后,计算所得原型进一步与查询实例结合计算查询注意力,由此消除查询集中的噪声。在Yelp数据集上的实验结果表明,我们所提方法有效,并在四种不同场景下优于所有基线。
引用
@article{arxiv.2309.15588,
title = {Few-Shot Multi-Label Aspect Category Detection Utilizing Prototypical Network with Sentence-Level Weighting and Label Augmentation},
author = {Zeyu Wang and Mizuho Iwaihara},
journal= {arXiv preprint arXiv:2309.15588},
year = {2023}
}
备注
DEXA23