增强提示学习的少样本文本分类方法

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

所属期刊栏目：60

分类号：TP391.41;TP181;TN912.34

资助基金：国家自然科学基金62076032

在线出版日期：2024-02-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1-12