1.一种用于少样本意图识别的对比任务适应学习方法，其特征在于，包括如下步骤：S1：获取一个有 个语句-标签对的意图识别数据集D；其中 表示一条语句， 表示它的意图标签集合中的一个，即 ；S2：从意图识别数据集D抽取元任务集合 ；将所述的数据集D划分为用于训练的基本类和用于测试的新类，基本类形成的训练集合与新类形成的测试类集合之间不存在交集；由此分别构建： ，用于训练； ，用于测试；其中， 为一个元任务，由一个支撑集和一个查询集两部分组成，表示为其中， 为支撑集，是一个有 个语句-标签对的集合； 为查询集，是一个有 个语句-标签对的集合；标签 是需要被预测的； 含有 个类别的意图标签，每个标签含有 个意图样本， ；S3：从集合 中的第j个元任务 中的 句子获取低维向量 ；采用BERT模型用作一个特征抽取器，从 中的 句子进行编码为一个连续的低维向量 ； 为集合 中的第j个元任务；S4：计算特征抽取器的对比损失；记 为类别 的中心，则 （3）其中， 表示类别 中的语句 ，由此同类别中的样本能够有到中心的最短距离；记 是衡量两个样本之间相似度的评分函数，则 （5）其中 表示和 在同类别中的样本， 表示和 不同类别的样本；损失函数可构建为： （8）其中 是常数；S5：从支撑集 中获取原型嵌入集合 ；引入一个特定任务的函数T，抽取每一个元任务的独有信息：其中 是一个由公式(3)确定的支撑集 中的原型集合；原型集合 中的交互能够反映这个元任务的本质；S6：根据所述的原型嵌入集合 ，计算标签 的语义混合原型 ；S7：计算标签预测结果 ；S8：计算总损失 ；S9：计算梯度 ；S10：用梯度 更新特征抽取器 、特定任务的函数T；转入S2，直至对集合D中的每一组 进行了训练；S11：训练完成，返回最优分类器 ; 最优特征抽取器 。
2.根据权利要求1所述的用于少样本意图识别的对比任务适应学习方法，其特征在于，所述的步骤S6实现如下：将变换后的原型 记作类别 中样本嵌入的中心： （13）标签名称可作为先验知识，因为它本身就包含着类别的特有信息，因此直接将标签名称的嵌入作为每个类别的指引信息，通过标签名称和变换之后的样本嵌入来表示每个类别；对于标签 ，通过一个平衡系数 来调节标签名称和变换后嵌入的重要程度，以计算它的语义混合原型 : （14）其中 是BERT模型的编码器，标签名称的嵌入 是作为原型表示向量的一个修正量存在的和/或所述的步骤S7实现如下：记 （15）其中： 为查询集 中的语句 是基于混合语义原型来预测 标签的分类器， 是预测结果；和/或所述步骤S8实现如下：为保证适应后的样本嵌入和同类别的相似而与不同类别的不相似，引入另一个损失函数： （16）其中 是任务适应之后的 的嵌入， 是对应的真实标签的语义混合原型； 是损失函数； （17）其中 是一个平衡系数；转入S3，直至对集合 每一个元任务 进行了训练；和/或所述的步骤S11实现如下： （2）其中， 表示一个训练元任务中查询集所包含的一个语句-标签对； 表示分类器 利用从当前训练元任务支撑集 中学到的知识来预测出的结果； 是计算预测出的概率分布 和真实分布 之间差距的损失函数。
3.根据权利要求1所述的用于少样本意图识别的对比任务适应学习方法，其特征在于，步骤S5还包括：为避免原型之间顺序的影响，使用了多头自注意力模型来对每个元任务独有的信息建模：多头自注意力层的核心是形式为(查询 ，键 ，值 )的一组三元组，为获取每个初始原型在线性映射之后原型中所具有的权重，将三元组输入到一个线性映射层中来获取对应的表示 ，可用下式表示： （10）其中 ， 和 是线性映射矩阵，[:]表示一个矩阵；最后按自注意力算法来获取原型 最终变换之后的原型嵌入：其中权重 度量了键与值的接近程度，也反映了原型 与其他原型之间的交互，按下式计算： （12）其中 表示 的第 列， 表示嵌入的维度；根据自注意力初始化的惯例，设置 ，来自支撑集 。
4.根据权利要求1所述的用于少样本意图识别的对比任务适应学习方法，其特征在于，步骤S1所述的意图识别数据集为OOS数据集。
5.根据权利要求4所述的用于少样本意图识别的对比任务适应学习方法，其特征在于，所述的意图识别数据集为OOS标记好类别的数据，不含有噪声标签out of scope的数据。
6.根据权利要求4所述的用于少样本意图识别的对比任务适应学习方法，其特征在于，所述的意图识别数据集，使用数据集2/3的样本作为训练集，以获取公共的知识，其余1/3的样本被平均划分为验证集和测试集。
