طبقهبندی بدون نمونه (Zero-Shot Classification) — طبقهبندی متن بدون دادههای آموزشی
طبقهبندی بدون نمونه، وظیفهای در پردازش زبان طبیعی است که متن را بدون نیاز به هیچگونه داده آموزشی برچسبدار، به دستههایی که با زبان ساده توصیف شدهاند، تخصیص میدهد. این روش که توسط Yin، Hay و Roth (2019) به عنوان یک مسئله استلزام (entailment problem) صورتبندی شد، به یک مدل زبانی بزرگ از پیش آموزشدیده اجازه میدهد تا دستههای جدید را صرفاً با نامگذاری آنها در لحظه تشخیص دهد و انطباق سریع با مجموعههای برچسب جدید را ممکن میسازد.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Zero-Shot Text Classification. ScholarGate. https://scholargate.app/fa/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.
- طبقهبندی متن با نمونههای کممتنکاوی↔ compare
- تحلیل احساساتمتنکاوی↔ compare
- طبقهبندی متنمتنکاوی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →