Zero-Shot Classification — Tekstclassificatie zonder trainingsdata
Zero-shot classificatie is een taak binnen natuurlijke taalverwerking die tekst toewijst aan categorieën die in gewone taal worden beschreven, zonder dat er gelabelde trainingsdata nodig zijn. Geformaliseerd als een entailmentprobleem door Yin, Hay en Roth (2019), stelt het een groot vooraf getraind taalmodel in staat om nieuwe categorieën 'on the fly' te herkennen door ze simpelweg te benoemen, wat snelle aanpassing aan nieuwe labelsets mogelijk maakt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Zero-Shot Text Classification. ScholarGate. https://scholargate.app/nl/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 TekstclassificatieText mining↔ compare
- SentimentanalyseText mining↔ compare
- TekstclassificatieText mining↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →