shorttext

元学习meta learning研究在CV方向占据大部分比例，论文总结比比皆是。本文主要汇总下近些年元学习在NLP文本分类方向 Text Classification 的研究论文，供相关研究人员参考。 同时欢迎大家关注小样本学习方法专栏~，持续更新小样本学习领域最新研究内容以及个人思考总结。 小样本学习方法(FSL) ​ www.zhihu.com 【1】 Meta-learning for Few-shot Natural Language Processing: A Survey 摘要： 少样本自然语言处理（NLP）指的是NLP任务只附带少量的标记样本。这是一个人工智能系统必须学会应对的现实挑战。通常我们依赖于收集更多的辅助信息或开发更有效的学习算法。然而，高容量模型中基于梯度的一般优化，如果从头开始训练，则需要在大量标记样本上执行许多参数更新步骤，以获得良好的性能。如果目标任务本身不能提供更多的信息，那么收集更多具有丰富注释的任务来帮助模型学习如何？元学习的目标是训练具有丰富注释的各种任务的模型，这样它就可以只使用几个标记样本来解决一个新任务。其核心思想是训练模型的初始参数，使模型在经过零步或几个梯度步更新后，对新任务具有最大的性能。已经有一些关于元学习的调查。然而，本文主要研究NLP领域，尤其是少镜头应用。我们试图提供更清晰的定义

https://blog.csdn.net/BitCs_zt/article/details/82938086 列出自己阅读的text classification论文的列表，以后有时间再整理相应的笔记。阅读价值评分纯粹是基于自己对于文章的理解，标准包括：动机、方法、数据集质量、实验安排、相关工作等，满分为5。列表如下： 名称 所属会议 类型 时间 阅读价值 Recurrent Convolutional Neural Networks for Text Classification AAAI long paper 2015 4.5 Do Convolutional Networks need to be Deep for Text Classification ? AAAI 2017 work shop 4.5 Learning Structured Representation for Text Classification via Reinforcement Learning AAAI 2018 long paper 4 Enriching Word Vectors with Subword Information ACL 2017 long paper 4 Deep Pyramid Convolutional Neural Networks for Text