基于坍缩依赖迁移与标签增强任务自适应投影网络的少样本槽位标注
计算与语言
2020-06-11 v1 机器学习
摘要
在本文中，我们探索仅使用少量标注支持句（即少样本）的槽位标注。与其他少样本分类问题相比，少样本槽位标注面临独特挑战，因其需要建模标签间依赖关系。但由于标签集的差异，难以将先前学到的标签依赖应用于未知领域。为此，我们将一种坍缩依赖迁移机制引入条件随机场（CRF），以将抽象标签依赖模式作为转移分数进行迁移。在少样本设定下，CRF 的发射分数可计算为词与每个标签表示之间的相似度。为计算该相似度，我们基于最先进的少样本分类模型——TapNet，提出一种标签增强任务自适应投影网络（L-TapNet），通过在标签表示中利用标签名语义。实验结果表明，我们的模型在单样本设定下以 14.64 F1 分数显著优于最强的少样本学习基线。
引用
@article{arxiv.2006.05702,
title = {Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network},
author = {Yutai Hou and Wanxiang Che and Yongkui Lai and Zhihan Zhou and Yijia Liu and Han Liu and Ting Liu},
journal= {arXiv preprint arXiv:2006.05702},
year = {2020}
}
备注
Accepted by ACL2020