度量提示模型

小样本分类新SOTA

将小样本文本分类重构为文本对相关性估计，无须手工设计verbalizer。

Hongyuan, Dong · 张伟男 · Che, Wangxiang

2023

技术优势

利用跨样本信息

同时输入训练样本与查询样本，捕获样本间的相关性信息，从而更准确地估计相关性。

全面超越现有方法

在3个数据集、4种小样本设置上，MetricPrompt的表现超过了手工verbalizer和其他自动设计方法，取得新的SOTA。

应用场景

• 小样本文本分类：在没有大量标注数据时快速构建高精度文本分类器，省去人工设计verbalizer的步骤。
• 提示学习方法：将提示模型当作相关性度量使用，为提示学习方法提供了新的任务重构思路。
• 自然语言处理模型部署：直接加载模型即可进行分类推理，无需额外设计verbalizer，降低部署门槛。