طبقهبندی متن با نمونههای کم
طبقهبندی متن با نمونههای کم، اسناد را با استفاده از تنها تعداد انگشتشماری مثال برچسبدار برای هر کلاس، به کلاسها اختصاص میدهد. با تکیه بر پیشرفتهای گائو و همکاران (۲۰۲۱) و رویکرد SetFit بدون اعلان (prompt-free) تونستال و همکاران (۲۰۲۲)، این روش بر شبکههای نمونوی (prototypical networks)، MAML، یا تنظیم دقیق (fine-tuning) یک مدل از پیش آموزشدیده بزرگ برای یادگیری از برچسبهای کمیاب تکیه میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Gao, T., Fisch, A. & Chen, D. (2021). Making Pre-trained Language Models Better Few-shot Learners. ACL. DOI: 10.18653/v1/2021.acl-long.295 ↗
- Tunstall, L., Reimers, N., Jo, U.E.S., Bates, L., Korat, D., Wasserblat, M. & Pereg, O. (2022). Efficient Few-Shot Learning Without Prompts. arXiv. DOI: 10.48550/arXiv.2209.11055 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Few-Shot Text Classification. ScholarGate. https://scholargate.app/fa/text-mining/few-shot-text-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.
- BERT Embeddingsمتنکاوی↔ compare
- انطباق دامنهمتنکاوی↔ compare
- تحلیل احساساتمتنکاوی↔ compare
- طبقهبندی متنمتنکاوی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →