问题导向式提示调优（QPT）
这篇论文主要讲了一个针对小样本（数据量少）文本分类问题的新方法，叫问题导向式提示调优（QPT）。
核心思路是让预训练语言模型（比如BERT的升级版RoBERTa）在少量标注数据下，通过设计特定的“提问式模板”和“标签词扩展技术”来提升分类效果。
图1：全模型微调、掩码语言模型（MLM）和提示学习范例
图示内容
-
(a) 通用微调模型（fine-tuning）
- 输入文本直接通过预训练模型（如BERT）提取特征，再通过分类层（如全连接层）输出类别预测（如“Positive”或“Negative”）。
- 特点：需要修改预训练模型参数，依赖大量标注数据，小样本下易过拟合。
