Klasifikasi Tanpa Contoh (Zero-Shot Classification) — Klasifikasi Teks Tanpa Data Pelatihan
Klasifikasi tanpa contoh adalah tugas pemrosesan bahasa alami yang menugaskan teks ke dalam kategori-kategori yang dideskripsikan dalam bahasa biasa tanpa memerlukan data pelatihan berlabel. Diformalisasikan sebagai masalah penyimpulan (entailment problem) oleh Yin, Hay, dan Roth (2019), tugas ini memungkinkan model bahasa besar yang telah dilatih sebelumnya untuk mengenali kategori-kategori baru secara langsung hanya dengan menyebutkan namanya, sehingga memungkinkan adaptasi cepat terhadap kumpulan label yang baru.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). Zero-Shot Text Classification. ScholarGate. https://scholargate.app/id/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.
- Klasifikasi Teks Sedikit Contoh (Few-Shot Text Classification)Penambangan Teks↔ compare
- Analisis SentimenPenambangan Teks↔ compare
- Klasifikasi TeksPenambangan Teks↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →