AAAI 2022丨ContrastNet: A Contrastive Learning Framework for Few-shot Text Classification+陈俊帆

元学习范式的发展促进了少样本文本分类的研究。该范式旨在从训练时可见的源类别小样本任务迁移知识到训练时不可见的目标类别的任务，以对目标类别的文本进行分类。尽管该范式取得了成功，但现有的基于原型网络构建的元学习器对于相似类别的文本难以得到具有区分度的表征，从而导致相似类别文本的标签预测出现冲突。此外，由训练样本少导致的少样本文本分类任务级和实例级的过拟合问题没有得到充分解决。本文提出了一个名为对比网络(ContrastNet) 的对比学习框架，以解决少样本文本分类中的表征区分度不足问题和过拟合问题。对比网络在表征空间中拉近属于同一类别的文本的表征并推远属于不同类别文本的表征，同时在任务级别和实例级别引入无监督的对比学习正则损失以防止模型过拟合。在4个少样本意图识别数据集和4个文本分类数据集上的实验表明，提出的对比网络优于当前最先进的少样本文本分类模型。