1. 毕业设计（论文）主要目标：
本毕业设计借鉴深度学习、自然语言分析与图像处理的前沿成果，针对社会媒体文本简短、灵活和语义丰富等特点，建立适用于多类别少样本的短文本Few-Shot文本学习框架，设计有监督Few-Shot文本分类算法和半监督Few-Shot文本分类算法，以提高文本分类、情感分析的性能。
2. 毕业设计（论文）主要内容：
针对当前社交媒体文本多分类任务中待解决的关键技术问题，本毕业设计围绕研究建立多类别少样本的文本分类Few-Shot学习框架、融合多种文本特征以识别更加细致的类别划分以改善模型性能等方面进行深入的研究，并对形成的理论、方法和关键技术进行有效性验证。主要研究内容为：基于原型网络的文本Few-Shot学习框架，基于注意力机制的双网络文本Few-Shot学习和半监督文本Few-Shot学习。
对于短文本，拟设计基于原型网络的Few-Shot学习框架，在多类别少样本的条件下，学习各类别典型样本的基本特征。主要研究内容包括：文本Few-Shot学习框架和基于聚类的样本多样化。
3. 主要参考文献
[1] PreslavNakov, Sara Rosenthal, Svetlana Kiritchenko, et al., Developing a successfulSemEval task in sentiment analysis of Twitter and other social media texts,Language Resources and Evaluation, Vol. 50, No. 1, pp. 35-65, 2016.
[2] JiajunCheng and Xin Zhang and Pei Li, et al., Exploring sentiment parsing ofmicroblogging texts for opinion polling on Chinese public figures, AppliedIntelligence, Vol. 45, No. 2, pp. 429-442, 2016.
[3] BlaesS, Burwick T. Few-shot learning in deep networks through global prototyping[J].Neural Networks the Official Journal of the International Neural NetworkSociety, 2017, 94:159-172.
