Zero-Shot-Klassifikation – Textklassifikation ohne Trainingsdaten
Zero-Shot-Klassifikation ist eine Aufgabe der natürlichen Sprachverarbeitung, die Textkategorien zuweist, die in einfacher Sprache beschrieben sind, ohne dass beschriftete Trainingsdaten erforderlich sind. Von Yin, Hay und Roth (2019) als Entailment-Problem formalisiert, ermöglicht sie einem großen vortrainierten Sprachmodell, neue Kategorien spontan zu erkennen, indem es sie einfach benennt, was eine schnelle Anpassung an neue Label-Sets ermöglicht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Yin, W., Hay, J. & Roth, D. (2019). Benchmarking Zero-shot Text Classification: Datasets, Evaluation and Entailment Approach. EMNLP, 3914-3923. DOI: 10.18653/v1/D19-1404 ↗
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. NeurIPS. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Zero-Shot Text Classification. ScholarGate. https://scholargate.app/de/text-mining/zero-shot-classification
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Few-Shot Text ClassificationText Mining↔ compare
- Sentiment-AnalyseText Mining↔ compare
- TextklassifizierungText Mining↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →