fewshot意图识别

Few-Shot Text Classification with Induction Network
代码地址：

meta learning：
每一个training episode，在training set中选择C个classes，
在每个class下选择training data（样本环境）和testing data（即为query），
这C个classes的所有training data构成 support set，这C个classes的所有testing data构成query set。
meta testing：
这里面的样本，每个class的样本数很少，而且所有的class在之前的learning中没有见过，
我们用同样的方法选择出support set和query set，验证判断情况。

取自FEW-SHOT TEXT CLASSIFICATION WITH Distributional signatures19,
那么每次的query set 一共有C*len(testing data)个，逐一与classes进行比较。

总结：
1.
在training set上，
encoder学会句子（query和classes里面所有句子的共同表示），
dynamic 学会classes表示
relation学会抽取class-query的匹配信息，
2.
testing set，就是class很少而且class样本很少，不用纠结testing 的定义问题，只是问了判断training的性能。不用继续训练，直接看loss，
当新的classes来的时候，dynamic可以直接提取class表示，
3.
当实际应用时，我们已经提取出所有classes的表示，每来一个query，与所有的class表示进行relation计算，得到分数最高的，

---

复现问题：

1.learning 和test的数据集的划分问题：

5C5K，5C10K，10C10K，
2.
在test阶段，还是有support set和query set，就是说每个query_text都是有候选集的.而我在test之后需要进行准备好所有的classes_vectors。
文章主要解决的问题是，来了样本条数少的新种类，怎么办。
3.重读文章的理论内容，（已做笔记）
4.对于capsule部分，
论文里仅有的参数是 e i j = W s