美团搜索与NLP部的语义理解团队开发的小样本学习模型FSL++在中文小样本语言理解评测FewCLUE中取得了令人瞩目的成绩，超越了人类识别精确度。这一突破性的成果，不仅展示了美团在人工智能领域的深厚实力，更揭示了Prompt Learning自训练的强大潜力。

FSL++通过增强预训练、Prompt Learning、数据增强和集成学习等策略，在极少量样本下实现了高性能。这一模型已在美团内部的多个业务场景中得到应用，为用户提供了更加精准和高效的服务。

在本次FewCLUE实践中，美团团队采取了以下核心策略：

多模板Prompt Learning：在Fine-Tune阶段构造多模板Prompt Learning，通过对抗训练、对比学习、Mixup等增强策略，提升模型性能。

数据增强：采用Mixup、Manifold-Mixup、对抗训练和对比学习等数据增强策略，扩充训练数据，提高模型鲁棒性。

集成学习：组合多个弱监督模型，以期得到一个更好更全面的强监督模型。

自训练：利用少量标记数据和大量未标记数据对模型进行联合训练，提高模型泛化能力。

通过对美团和点评的笔记内容进行题材分类，用户点击特定题材时，即可返回相应的笔记内容。小样本学习在仅有2,989条训练数据的情况下，准确率提升了1.8PP，达到了89.24%。

通过融入领域知识的Domain-Adaptive Pretraining和融入任务知识的Task-Adaptive Pretraining，提升模型在特定任务上的性能。

为文本分类和句间关系任务选择了合适的模型结构，提升了模型的表现和鲁棒性。

通过Mixup、Manifold-Mixup、对抗训练和对比学习等策略，增强了模型的泛化能力。

FSL++模型的成功表明，小样本学习在自然语言处理领域具有巨大的潜力。未来，我们期待看到更多类似的成功案例，推动小样本学习在更多场景中的应用。