面向多标签少样本方面类别检测的标签驱动去噪框架
计算与语言
2022-10-11 v1
摘要
多标签少样本方面类别检测（Multi-Label Few-Shot Aspect Category Detection, FS-ACD）是基于方面的情感分析的新子任务，旨在以有限训练样本准确检测方面类别。近来主流工作使用原型网络完成该任务，并采用注意力机制从句子提取方面类别关键词以生成各方面的原型。然而，它们仍受严重噪声问题困扰：（1）因缺乏充足监督数据，以往方法易捕获与当前方面类别无关的噪声词，极大影响所生成原型的质量；（2）语义相近的方面类别通常生成相似原型，彼此构成噪声并严重混淆分类器。本文借助各方面的标签信息应对上述问题，并提出一种新颖的标签驱动去噪框架（Label-Driven Denoising Framework, LDF）。大量实验结果表明，我们的框架取得了优于其他 SOTA 方法的性能。
引用
@article{arxiv.2210.04220,
title = {Label-Driven Denoising Framework for Multi-Label Few-Shot Aspect Category Detection},
author = {Fei Zhao and Yuchen Shen and Zhen Wu and Xinyu Dai},
journal= {arXiv preprint arXiv:2210.04220},
year = {2022}
}
备注
Finding of EMNLP 2022 camera-ready