เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การอนุมานข้อความ× | การจำแนกประเภทแบบไม่ใช้ตัวอย่าง× | |
|---|---|---|
| สาขาวิชา | การทำเหมืองข้อความ | การทำเหมืองข้อความ |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | — | 2019 |
| ผู้ริเริ่ม≠ | — | Yin, Hay & Roth |
| ประเภท≠ | NLP sentence-pair classification task | NLP text-classification task |
| แหล่งต้นตำรับ≠ | Dagan, I., Glickman, O. & Magnini, B. (2006). The PASCAL Recognising Textual Entailment Challenge. link ↗ | Yin, W., Hay, J. & Roth, D. (2019). Benchmarking Zero-shot Text Classification: Datasets, Evaluation and Entailment Approach. EMNLP, 3914-3923. DOI ↗ |
| ชื่อเรียกอื่น≠ | natural language inference, NLI, recognising textual entailment, RTE | zero-shot text classification, entailment-based classification, Sıfır Atışlı Sınıflandırma (Zero-Shot Classification) |
| ที่เกี่ยวข้อง≠ | 4 | 3 |
| สรุป≠ | Textual entailment, also known as natural language inference (NLI), is the natural-language-processing task of deciding whether one piece of text (the premise) entails a second piece of text (the hypothesis), contradicts it, or is neutral with respect to it. Formalised by the PASCAL Recognising Textual Entailment Challenge (Dagan, Glickman & Magnini, 2006) and broadened by the MultiNLI corpus (Williams, Nangia & Bowman, 2018), it underpins question answering and fact-verification pipelines. | Zero-shot classification is a natural-language-processing task that assigns text to categories described in plain language without requiring any labelled training data. Formalised as an entailment problem by Yin, Hay and Roth (2019), it lets a large pretrained language model recognise new categories on the fly simply by naming them, enabling rapid adaptation to fresh label sets. |
| ScholarGateชุดข้อมูล ↗ |
|
|