🍥关键词：文本分类、提示学习
🍥发表期刊：Arxiv 2022
最近在做Prompted learning for text classification的工作，Prompted learning的核心在于设计一个好的Template和Verbalizer。这篇文章对当前不同Template性能进行了比较。
一、Prompted Learning for Text classfication
先来看看提示学习如何实现文本分类任务 （图源【NLP】Prompt Learning 超强入门教程 - 知乎）
编辑
流程：我拿BERT模型为例，输入一个句子，将其放到模板中输送到BERT模型中，然后获取【MASK】处的向量（注意，这里的向量不是一个768维的Token向量，而是预测BERT词表中每个单词可能性的向量，约3w），然后将fanstatic和boring对应在BERT词表中的位置的预测值拿出来，将其比较大小，若是fantastic大，则这个句子预测为1
二、Three different Template and Label word
目前主流的有三种提示模板（前两种能接受，第三种感觉有点扯淡）
编辑
标签映射词的构造也有三种
注意前两种方式的单词都必须是在BERT词表中出现过的，第三种是随机初始化的
编辑
三、Experiment
作者在使用Roberta-large预训练的基础上，对使用以下固定的Query信息，对三种不同的Template进行测试
编辑
编辑
作者还对自动提取的Label word提取的单词进行研究，看看性能优异的单词究竟是哪些
编辑
四、Conclusion
结论一：无论高、低资源环境，Schama Template的方式都是最优的，而且在低资源环境中表现更甚
结论二：对于哪些表现优异的自动提取的标签往往是不自然的，因此提示其实不需要严格的按照人类的说话和写作
