多标签分类中，一个样本可能属于多个类别，且在小样本场景下模型性能更容易受到样本中复杂语义特征的影响。然而，目前常用的原型网络方法仅使用每类支持集样本的均值作为标签原型，导致原型中存在其他类别特征带来的噪声，弱化了原型间的差异性，影响预测效果。本文提出一种利用实例级注意力的多标签小样本原型网络分类方法，通过提高支持集中与当前标签关联度高的样本的权重，减少其他标签特征的干扰，增大标签原型之间的区分度，进而提高预测的精确率. 实验表明，方法通过引入实例级注意力强化了多标签原型网络的学习能力，分类效果明显提升.
PDF全文下载地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=e3f01556-f071-4aeb-9587-ffb9a0a44de7