少样本文本分类的多任务原型网络

少样本文本分类中，原型网络对语义利用不足、可迁移特征挖掘不够，导致模型泛化能力不强，在新任务空间中分类性能不佳。从模型结构、编码网络、度量网络等角度提高模型泛化性，提出多任务原型网络(multiple-task prototypical network, MTPN)。结构上，基于原型网络度量任务增加辅助分类任务约束训练目标，提高了模型的语义特征抽取能力，利用多任务联合训练，获得与辅助任务更相关的语义表示。针对编码网络，提出LF-Transformer编码器，使用层级注意力融合底层通用编码信息，提升特征的可迁移性。度量网络使用基于BiGRU的类原型生成器，使类原型更具代表性，距离度量更加准确。实验表明，MTPN在少样本文本情感分类任务中取得了91.62%的准确率，比现有最佳模型提升了3.5%以上；在新领域的情感评论中，基于五条参考样本，模型对查询样本可获得超过90%的分类准确率。