是的，您可以采用不同的方法。您可以使用深度学习模型，但不应从头开始训练它们。你应该使用迁移学习。由于您的数据集很小，您应该使用已经训练过的深度学习模型。接下来，您应该将最后一层替换为具有与您的类相同数量的神经元的另一层。这个新添加的层的连接首先应该具有随机权重。最后，您将冻结除新添加的图层之外的所有权重。在这种情况下，您的模型将具有很好的学习数据的能力，并且不会过度拟合。您可能希望查看以下链接：

• 公关。吴的视频
• 另一个有用的视频

您还可以使用带有软边距的 SVM 来获得良好的泛化性。

关于样品的数量，不能提前说。而且，对于不同的任务，可能会有所不同。顺便说一句，查看您的数据的人很容易发现您的数据集很小。

@Media 给出了很好的答案。我只想在这里详细说明几点。

1. 为了在文本上使用迁移学习，您可以使用一些令人惊叹的模型，例如RoBERTa、BERT等，这些模型可以在huggingface 的转换器库中轻松获得。您可以按如下方式训练它们：

   • 只需使用预先训练的权重初始化模型并冻结它们的权重。
   • 根据您的类更改最后一个分类层，然后使用您的数据集训练分类层。（只需确保您使用正确的学习率来训练分类器。）

2. 好吧，对于训练神经网络需要多少数据，并没有明确定义的规则。但作为一个好的经验法则，拥有至少 10 倍于类数的数据显然是一个好习惯。所以在你的情况下，每个类至少应该有 100 个数据点。