科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度学习模型已在文本分类领域得到了广泛应用。然而，深度神经网络在处理少样本文本分类任务时其有效性易受噪声、同类样本点分布不均衡等问题的影响。为此，提出改进路由机制的元学习少样本文本分类模型。模型对胶囊网络的动态路由机制做出两种改进，针对噪声干扰问题，提出基于交互信息的路由机制，捕获同类文本间的交互信息来引导模型加强重要特征，减弱噪声影响；针对文本样本点分布不均衡的问题，提出基于距离系数的路由机制，引入距离系数指导权重分配过程以更好地划分原型空间。然后，将二者学习到的类原型进行融合，以充分捕获少样本文本特征信息。实验结果表明，相对其它少样本文本分类任务的基线方法，该文模型具有更优的少样本文本预测能力，并且收敛速度更快。
