基于提示增强原型网络的小样本多标签方面类别检测

摘要

小样本多标签方面类别检测是细粒度情感分析的研究热点。在基于原型网络的方法中，训练数据缺乏以及与当前方面类别无关的噪音词严重影响了采用注意力机制生成原型向量的质量。针对这一问题，本文提出了基于提示增强原型网络模型，首先，利用提示学习对齐预训练任务与下游任务，同时借助提示信息指导模型进行句子表示，从而学习到更具有辨别性的向量，有效地促使类别信息易区分，并采用余弦相似度计算损失，降低高维向量空间的影响；其次，设计了减轻噪音对句子向量表示干扰的优化模型，促进相同方面类别的句子在嵌入空间中聚集。实验结果表明：该模型在三个公开数据集的F1值比当前最优（state-of-the-art, SOTA）模型分别提升了4.35%,8.62%,8.39%，可以有效的检测方面类别。

关键词

方面类别检测 / 原型网络 / 提示学习 / 多标签分类 / 元学习

基金资助

国家自然科学基金（U1908216）