BriefGPT - AI 论文速递
·
基于知识增强的多标签少样本产品属性值提取
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）的属性值提取模型。该模型通过原型网络和混合注意力减少噪音、捕获更多信息，实现更具区别性的原型。同时，通过整合支持集和查询集的语义信息，该模型能够学习动态阈值实现多标签推断。实验结果表明，KEAF 在少样本学习中的信息提取任务中优于其他模型。
🎯
关键要点
- 提出了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）属性值提取模型。
- 模型通过原型网络和混合注意力减少噪音，捕获更多信息，实现更具区别性的原型。
- 整合支持集和查询集的语义信息，模型能够学习动态阈值以实现多标签推断。
- 实验结果表明，KEAF 在少样本学习中的信息提取任务中优于其他模型。
🏷️
标签
➡️
