作者：魏启凯 单位：燕山大学
论文：https://arxiv.org/pdf/1906.06678.pdf
code：https://github.com/ZhixiuYe/MLMAN
来源：ACL2019
创新：
- 提出一种多级匹配和聚合网络，以交互的方式来encode查询集实例和类原型。
- 设计了一种辅助loss function。
问题定义：
小样本任务是最近两年流行起来的任务，训练集和测试集均分支持集和查询集。
5-way 1-shot
支持集5个类，每个类1个样本，用来训练模型，利用查询集的一个句子来计算其属于支持集中5个类别之一。
MLMAN模型
其中，encoder是利用CNN来做，
Local Matching and aggregation是一个局部匹配网络，输入K个支持集实例和一个query，利用注意力机制收集他们之间的局部信息，接着利用embedding代表进行聚合的信息。
instance maching and aggregation 是利用MLP来计算每个query和K个support 之间的匹配信息。接着将权重加起来得到最终的类原型。
class matching 利用一个MLP来计算query和类原型之间的距离。
计算过程
首先聚合K个支持集的实例为一个矩阵C
Q是查询句子的矩阵
接着通过拼接的方式得到新的Q和C
再将最大池化和平均池化引入进来，有利于后面做消融实验。
最终得到类原型向量s。
实验结果
FewRel的baselinehttps://thunlp.github.io/1/fewrel1.html，平台提供5way1shot，5way5shot，10way1shot，10way5shot的结果。
测试结果是在FewRel测试集的结果，现在清华官方提供了测试集。
下面是消融实验
验证集的结果是在FewRel 验证集上的结果。