TeSS（使用句子编码器的文本相似性比较）是一种零样本分类的框架，通过输入文本和每个候选标签提示之间的嵌入相似性来确定分配的标签。我们利用预训练期间优化定位语义相似样本在嵌入空间中更靠近彼此的句子编码器的表示。标签提示嵌入作为其对应类别集群的原型。与原始标签可能存在描述不当的情况不同，我们从外部语料库中检索语义相似的句子，并将它们与原始标签提示一起使用（TeSS-R）。TeSS 在各种闭集和开集分类数据集的零样本设置下表现出色，当与标签提示多样化通过检索结合时，进一步获得收益。这些结果对叙述者变化敏感，这是使用双编码器的一个附加好处。总之，我们的方法可作为零样本分类的可靠基线和评估句子编码器质量的简单界面。

Dec, 2022

提出了一种名为 GenCo 的零样本文本分类方法，利用 GPT 的强大生成能力辅助训练更小、更适应和高效的句子编码器分类器，包括两种方式：一是为每个输入实例生成多个增广文本，提高语义嵌入和标签的映射；二是在自训练期间有条件地生成增广文本，使得生成过程适应目标空间中的决策边界。实验证明，即使只有有限的领域内文本数据，GenCo 也优于以前的最先进方法。

Apr, 2023

本文提出了 PromptClass 方法，它使用预训练语言模型通过零样本提示获取基于上下文文本理解的伪标签，同时使用两种基于 PLM 微调的策略迭代地训练分类器和更新伪标签，实验结果表明，PromptClass 在四个基准数据集上实现了优异的表现，并在情感分类任务上实现了与全监督分类器相似的性能。

May, 2023

本研究使用了匹配方法，并对零样本学习中的半结构化文档分类任务进行了探索，使用对位对比目标来加强监督和无监督的零样本学习，显著提高了宏 F1 的结果。

Oct, 2022

本研究提出了一种名为 “Pseudo-supervised Contrast (PsCo)” 的无监督元学习框架，可以在少样本分类任务中改进伪标签并以渐进方式构建多样化的任务，实验证明该框架在各种领域和跨领域的少样本分类基准测试中表现优异。

Mar, 2023

本研究开发了零样本学生答案自动评分方法 MeNSP，该方法采用预训练语言模型，无需人工标注样本即可实现自动评分，可显著降低模型训练成本。研究发现，该方法可以在科学教育中实现学生答案的自动评分，可以受益于低风险课堂评估实践，并建议在未来的研究中进一步探索 MeNSP 在科学教育不同类型的评估任务中的适用性和模型性能。

Jan, 2023

本文介绍了基于知识拓展的 Prompt-learning 方法来解决短文本分类中的标签扩展问题，并在三个著名数据集上实验，结果比其他方法均取得了显著提高。

Feb, 2022

本研究开发了 SemSup-XC 模型，利用混合匹配模块将输入实例与语义类别描述相匹配，通过对比学习，实现了在三个 XC 数据集上对零样本和少样本的最新成果，得分提升了 12 个精度点以上。

Jan, 2023

本研究基于自监督对比学习方法，提出了一种名为 InfoCSE 的新型框架，用于解决手工数据注释不可靠的问题，通过迭代的自我监督和数据标注反馈，实现了句子表示模型和数据注释方法的相互协作，有效提高了自监督学习的效果。实验证明，该方法在三个基准数据集上取得了显著的改善。

Feb, 2022

本文提出了一种新的基于提示的对比学习方法 (PromCSE)，用于有效提高预训练语言模型 (PLMs) 的普适句子嵌入表示，在七个标准语义文本相似性任务和一个域转移语义文本相似性任务上取得了优于当前最先进的句子嵌入模型的效果。

Mar, 2022