每天给你送来NLP技术干货！
作者：Gordon Lee （知乎）
paper：Don’t Miss the Labels: Label-semantic Augmented meta-Learner for Few-Shot Text Classification
录取：ACL2021 Findings
重新编辑：zenRRan
这篇主要核心是挖掘class的语义，把class加到输入上面，去引导样本的特征表示。尤其是样本很少的情况下，样本很难学习到明确的class语义，容易对一些细粒度的类别（比如意图）产生混淆：比如两句话：北京有什么好玩的地方？告诉我去上海的旅行消息。其实这两个的细粒度意图是不一样的，前者是旅行建议，后者是旅行消息。但是没给class label的时候，模型可能会以为都表达的旅行目的地。
做法很简单，当然作者也探索了很多方式（如何提取支持集的样本特征，如何提取查询集的样本特征，用哪种网络，原型？匹配？关系？）：一种好的实践，对于support set，将相应的class name加到输入，然后取cls位的特征，对于查询集，保持原样，不加任何的class name，取cls位的特征，然后用原型网络的做法。
几个发现：样本越多，与类别相关的文本模式就越明显。但是，这可能取决于数据。一般来说，如果类之间的差异更细微，即细粒度的类，可能需要更多的样本，因此类名/定义的指导将更有益。最好不要引入随机化的参数，就像那个iclr那篇说的，适合这个类别的参数并不一定适合新类别，新领域的任务。怎么去提取样本的特征（要不要append，取哪个位置的特征）和数据集以及网络有关系，可以实验试试。
投稿或交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。
方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。
记得备注呦
整理不易，还望给个在看！
