基于元学习的不平衡少样本情况下的文本分类研究

摘要：

针对文本信息语义、语境迁移难问题,该文提出一种基于元学习与注意力机制模型的动态卷积神经网络改进方法.首先利用文本的底层分布特征进行跨类别分类,使文本信息具有更好的迁移性;其次使用注意力机制对传统的卷积网络进行改进,以提高网络的特征提取能力,并根据原始数据集信息进行编码,生成平衡变量,降低由于数据不平衡所带来的影响;最后使用双层优化的方法使模型 自动优化其网络参数.在通用文本分类数据集THUCNews实验结果表明,该文所提出的方法,在1-shot、5-shot情况下,准确率分别提升2.27％、3.26％;在IMDb数据集上,模型准确率分别提升3.28％、3.01％.

关键词：元学习、少样本学习、文本分类、动态卷积、数据不平衡

所属期刊栏目：36

分类号：TP389.1(计算技术、计算机技术)

在线出版日期：2022-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：104-116