摘要近年来，“短镜头学习”引起了广泛的关注，但是关于多标签问题的研究相对较少。在本文中，我们以用户意图检测任务为切入点，研究小样本多标签分类问题。
用于多标签分类的SOTA方法通常首先估算标签样本相关分数，然后使用阈值选择多个相关标签。为了仅在少量采样的情况下确定合适的阈值，我们首先在具有丰富数据的多个字段中学习常规阈值设置经验，然后使用基于非参数学习的校准（Calibration）来适应门槛到“少拍”的境界。
为了更好地计算标签样本相关分数，我们将标签名称作为锚点嵌入到嵌入空间中，以优化不同类别的表示，并使它们在表示空间中更好地彼此分离。在两个数据集上进行的实验表明，在1次和5次实验中，提出的模型明显优于最强的基线模型。
1.简介1.1背景1：用户意图识别用户意图识别是基于任务的对话理解的关键组成部分。它的任务是识别用户输入的话语属于哪个领域的意图[1]。
当前的用户意图识别系统面临两个关键挑战：频繁变化的字段和任务要求经常导致数据不足。用户通常在一轮对话中包含多个意图[2,3]图1.示例：意图理解同时，各种各样的方面带来了数据不足和多标签的挑战。
1.2背景2：多标签分类与分类小样本学习少量学习旨在通过少量样本（例如人类）来完成学习。近年来，它引起了很多关注。
[4,5]。但是，关于多标签问题的小样本学习的研究相对较少。
1.3本文的研究内容本文以用户意图检测任务为切入点，研究小样本多标签分类问题，从两个角度提出MetaCalibratedThreshold（MCT）和AnchoredLabelReps（ALR），为小样本系统地提供解决方案。样本多标签学习程序。
2.问题定义2.1多标签意图识别如图2所示。目前，最新的多标签意图识别系统经常使用基于阈值的方法[3,6,7]，它们的工作流程可以大致分为两个步骤：计算样品标签类别相关评分，然后使用从数据中获悉的预设值或阈值来选择标签。
2.2小样本多标签用户意图识别和对给定支持集的观察，并带有少量示例（SupportSet）以预测失败。请参见样本的意图标签（QueryInstance）。
图2.小样本多标签意图识别框架概述3.方法图3.我们提出的小样本多标签识别模型3.1阈值计算（1）挑战：小样本场景中的多标签分类任务主要挑战如下：因为必须从数据中学习阈值，所以现有方法仅适用于足够数据的情况。在小样本情况下，该模型很难从多个样本中概括阈值。
b。另外，阈值不能在不同字段之间直接传递，并且难以使用先验知识。
（2）解决方案：为了解决上述挑战，我们提出了MetaCalibratedThreshold（MCT），可以将其分为两个步骤（如图3左侧所示）：首先，了解丰富数据字段中的一般阈值处理经验b。然后，在Few-shot字段中，使用KernelRegression使用该字段中的知识来校正阈值（校准）。
这样，当我们估计阈值时，我们不仅可以转移先验知识，而且可以使用特定领域的知识：3.2样本标签类别相关性计算（1）挑战：如图4所示，经典的小样本方法使用计算样本标签类别相关性的相似性，这在多标签方案中将失败。图4.基于经典相似度的小样本学习模型：图3中显示了原型网络。
在示例中，时间和位置的两个标签与supportexample相同，这导致这两个类别的相同不可分割的表示从样品中分离出来，因此无法分离。根据相似度执行样本类别标签相关性计算。
（2）解决方案：为了解决上述挑战，我们提出了AnchoredLabelReps（ALR）。具体来说，如图3右侧所示，我们。
将标签名称用作。
