Classificazione Zero-Shot — Classificazione di Testo Senza Dati di Addestramento
La classificazione zero-shot è un compito di elaborazione del linguaggio naturale che assegna il testo a categorie descritte in linguaggio naturale, senza richiedere dati di addestramento etichettati. Formalizzato come un problema di inferenza testuale da Yin, Hay e Roth (2019), consente a un ampio modello linguistico preaddestrato di riconoscere nuove categorie al volo semplicemente denominando le, consentendo un rapido adattamento a nuovi set di etichette.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Zero-Shot Text Classification. ScholarGate. https://scholargate.app/it/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.
- Classificazione di testi con pochi esempiText mining↔ compare
- Analisi del SentimentoText mining↔ compare
- Classificazione del testoText mining↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →