粗细粒度对比学习网络

文本分类精度提升

注入词级语言知识并结合硬负样本生成，获得高质量句子表示。

Zhang, Shaokang · 冉宁

Neurocomputing 2024

技术优势

注入语言知识

通过WordNet构建词级正负样本对，模型能学到词义关系，提升表示质量。

硬负样本生成

利用mixup生成硬负样本，同时消除假负样本，使模型学习到更有判别力的特征。

性能超越现有方法

在多个公开数据集上的实验结果表明，该方法优于当前最优方法，具有更好的泛化能力。

应用场景

• 文本分类系统：直接用该模型提高文本分类准确率，省去人工特征工程。
• 情感分析：借助词级语言知识更准确地捕捉情感极性，减少标注数据需求。
• 信息检索：用高质量句子表示提升检索相关性排序，改善搜索体验。