شبكات التحفيز لتصنيف النصوص بقليل من الإطارات

يواجه تصنيف النص تحديات عندما تكون البيانات ناقصة أو عندما يحتاج إلى التكيف مع فئات غير مألوفة. في مثل هذه السيناريوهات الصعبة، استخدمت الدراسات الحديثة التعلم الميتا (meta-learning) لمحاكاة مهمة القليل من العينات (few-shot task)، حيث يتم مقارنة الاستفسارات الجديدة بمجموعة دعم صغيرة على مستوى العينة. ومع ذلك، قد تتعرض هذه المقارنة على مستوى العينة للاضطراب الشديد بسبب التعبيرات المختلفة داخل نفس الفئة. لذلك، يجب أن نكون قادرين على تعلم تمثيل عام لكل فئة في مجموعة الدعم ومن ثم مقارنتها بالاستفسارات الجديدة. في هذا البحث، نقترح شبكة استدلال جديدة لتعلم مثل هذا التمثيل العام للفئات، من خلال استخدام خوارزمية التوجيه الديناميكي (dynamic routing algorithm) بشكل مبتكر في التعلم الميتا. بهذه الطريقة، وجدنا أن النموذج قادر على الاستدلال والعامية بشكل أفضل. قمنا بتقييم النموذج المقترح على مجموعة بيانات تصنيف المشاعر جيدًا (باللغة الإنجليزية) وعلى مجموعة بيانات حقيقية لتصنيف نوايا الحوار (باللغة الصينية). أظهرت نتائج التجارب أن النموذج المقترح يتفوق بشكل كبير على الأساليب الحالية الأكثر تقدمًا في كلتا المجموعتين، مما يثبت فعالية العامية الفئوية في تصنيف النصوص القليلة العينات.