MGIMN：面向少样本文本分类的多粒度交互匹配网络
计算与语言
2022-05-06 v3
摘要
文本分类在每类仅有极少标注文本实例时难以泛化到未见类别。在此少样本学习（FSL）设定下，基于度量的元学习方法已展现出有前景的结果。以往研究主要旨在为每个类别推导一个原型表示。然而，它们忽视了构建紧凑表示以表达每个类别完整语义既具挑战性又无必要，同时也忽略了捕获查询与支持集之间依赖关系对少样本文本分类的重要性。为应对这些问题，我们提出一种基于元学习的方法 MGIMN，其执行实例级比较随后聚合以生成类级匹配向量，而非原型学习。实例级比较的关键在于类特定上下文与情景特定上下文内的交互匹配。大量实验表明，在标准 FSL 与广义 FSL 设定下，所提方法均显著优于现有最先进方法。
引用
@article{arxiv.2204.04952,
title = {MGIMN: Multi-Grained Interactive Matching Network for Few-shot Text Classification},
author = {Jianhai Zhang and Mieradilijiang Maimaiti and Xing Gao and Yuanhang Zheng and Ji Zhang},
journal= {arXiv preprint arXiv:2204.04952},
year = {2022}
}
备注
10 pages, 2 figures, 6 tabels