文献类型：期刊文章

作　　者：闫雷鸣[1] 严璐绮[1] 王超智[1] 贺嘉会[1] 吴宏煜[1]

YAN Leiming;YAN Luqi;WANG Chaozhi;HE Jiahui;WU Hongyu(School of Computer and Software&Jiangsu Engineering Center of Network Monitoring,Nanjing University of Information Science and Technology,Nanjing 210044)

机构地区：[1]南京信息工程大学计算机与软件学院江苏省网络监控工程中心,南京210044

出　　处：《北京大学学报（自然科学版）》

基　　金：国家自然科学基金(61772281;61703212;61602254)资助

年　　份：2019

卷　　号：55

期　　号：1

起止页码：98-104

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、PROQUEST、RCCSE、RSC、SCOPUS、WOS、ZGKJHX、ZMATH、ZR、核心刊

摘　　要：针对多类别的社交媒体短文本分类准确率较低问题,提出一种学习多种句式的元学习方法,用于改善Twitter文本分类性能。将Twitter文本聚类为多种句式,各句式结合原类标签,成为多样化的新类别,从而原分类问题转化为较多类别的few-shot学习问题,并通过训练深层网络来学习句式原型编码。用多个三分类Twitter数据来检验所提Meta-CNN方法 ,结果显示,该方法的学习策略简单有效,即便在样本数量不多的情况下,与传统机器学习分类器和部分深度学习分类方法相比,Meta-CNN仍能获得较好的分类准确率和较高的F1值。

关 键 词：元学习 少次学习  情感分析 卷积神经网络

分 类 号：TP391.1] TP18[计算机类]