原创力文档- 1、本文档共12页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
北京大学学报(自然科学版)第60卷第1期2024年1月
ActaScientiarumNaturaliumUniversitatisPekinensis,Vol.60,No.1(Jan.2024)
doi:10.13209/j.0479-8023.2023.071
增强提示学习的少样本文本分类方法
李睿凡1,2,3,†魏志宇1范元涛1叶书勤1张光卫2,4
1.北京邮电大学人工智能学院,北京100876;2.教育部信息网络工程研究中心,北京100876;3.交互技术与体验系统
文化和旅游部重点实验室,北京100876;4.北京邮电大学计算机学院,北京100876;†E-mail:*************.cn
摘要针对少样本文本分类任务,提出提示学习增强的分类算法(EPL4FTC)。该算法将文本分类任务转换成
基于自然语言推理的提示学习形式,在利用预训练语言模型先验知识的基础上实现隐式数据增强,并通过两
种粒度的损失进行优化。为捕获下游任务中含有的类别信息,采用三元组损失联合优化方法,并引入掩码语
言模型任务作为正则项,提升模型的泛化能力。在公开的4个中文文本和3个英文文本分类数据集上进行实
验评估,结果表明EPL4FTC方法的准确度明显优于所对比的基线方法。
关键词预训练语言模型;少样本学习;文本分类;提示学习;三元组损失
EnhancedPromptLearningforFew-shotTextClassificationMethod
1,2,3,†1112,4
LIRuifan,WEIZhiyu,FANYuantao,YEShuqin,ZHANGGuangwei
CenterofInformationNetworks,MinistryofEducation,Beijing100876;3.KeyLaboratoryofInteractiveTechnology
andExperienceSystem,MinistryofCultureandTourism,Beijing100876;4.SchoolofComputerScience,
BeijingUniversityofPostsandTelecommunications,Beijing100876;†E-mail:*************.cn
AbstractAnenhancedpromptlearningmethod(EPL4FTC)forfew-shottextclassificationtaskisproposed.This
proposedEPL4FTCissignificantlybetterthantheothercomparedbaselines.
Keywordspre-trainedlanguagemodel;few-shotlearning;textclassification;promptlearning;tripletloss
[1][2]
文本分类是自然语言处理领域的热点研究内物的能力,Wang等提出少样本学习的概念。少样
容之一,已经在多个场景得到充分的发展。例如,本学习的核心目标是面对新的领域任务,利用先验
在情感分析、新闻推荐和用户画像等场景中,通常知识,仅通过有限的训练样本,快速且准确地完成
可以获取海量的未标注数据,因而需要大量的人工对新领域任务的学习。
标注
文档评论（0）