يُعدّ مشكلة عدم التوازن في البيانات مشكلة بالغة الأهمية في تصنيف النصوص متعدد التصنيفات. وقد حاولت بعض الدراسات الحالية معالجتها من خلال اقتراح دوال خسارة غير متوازنة بدلاً من دالة الخسارة التقليدية (الإنتروبي الصريحة)، لكن أداءها يظل محدودًا في الحالات التي تكون فيها البيانات متوازنة بشكل كبير. نقترح حلًا هجينًا يُعدّل الشبكات العامة لتصنيفات الفئة العليا، ويطبّق تقنيات التعلم القائم على عدد قليل من الأمثلة (Few-shot) لتصنيفات الفئة السفلى. ونُقدّم شبكة عصبية تلافيفية هجينة-سياميز (HSCNN) ذات صفات تقنية إضافية، تشمل: هيكلًا متعدد المهام مبنيًا على الشبكات الفردية والشبكات السياميزية؛ وتشابهًا مخصصًا لكل فئة ضمن البنية السياميزية؛ وطريقة عينة محددة لتدريب شبكة HSCNN. وقد أظهرت النتائج المستمدة من استخدام مجموعتي بيانات معياريتيْن وثلاثة دوال خسارة أن طريقة العمل هذه تُحسّن الأداء المُحقّق من الشبكات الفردية بتنوع دوال الخسارة على الفئات السفلى أو على جميع الفئات مجتمعة.