Sıfır Atışlı Sınıflandırma — Eğitim Verisi Olmadan Metin Sınıflandırması
Zero-Shot Text Classification · Ayrıca şöyle bilinir: zero-shot text classification, entailment-based classification, Sıfır Atışlı Sınıflandırma (Zero-Shot Classification)
Sıfır atışlı sınıflandırma, herhangi bir etiketli eğitim verisi gerektirmeden, düz metinle açıklanan kategorilere metin atayan bir doğal dil işleme görevidir. Yin, Hay ve Roth (2019) tarafından bir çıkarım problemi olarak biçimlendirilen bu yöntem, büyük bir önceden eğitilmiş dil modelinin, yeni kategorileri sadece adlandırarak anında tanımasını sağlar ve böylece yeni etiket kümelerine hızlı adaptasyonu mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sıfır atışlı sınıflandırma, kategorize edilecek metniniz olduğunda ancak etiketli eğitim veriniz olmadığında ve kategorilerin zamanla değişebileceği veya büyüyebileceği durumlarda uygundur. Büyük bir önceden eğitilmiş dil modeli (BART veya RoBERTa tabanlı çıkarım modelleri gibi) ve açıkça ve ayrık olarak tanımlanmış aday etiketler gerektirir. Hızlı prototipleme ve her sınıf için etiketli örnek toplamanın pratik olmadığı durumlar için çok uygundur.
Güçlü yönler & sınırlılıklar
- Etiketli eğitim verisi gerektirmez — kategoriler düz dilde açıklanır.
- Yeni kategorilere hızla adapte olur: bir sınıf eklemek, sadece adını aday etiket listesine eklemek anlamına gelir.
- Büyük, önceden eğitilmiş bir modelde zaten yakalanmış olan geniş dilsel bilgiden yararlanır.
- Hesaplama maliyeti olan büyük, önceden eğitilmiş bir dil modeline (BART, RoBERTa) bağlıdır.
- Doğruluk, aday etiketlerin ne kadar açık ve ayrık bir şekilde ifade edildiğine bağlıdır.
- Göreve özel eğitim olmadan, yeterli etiketli veri mevcut olduğunda denetimli bir sınıflandırıcı tarafından geride bırakılabilir.
SSS
Sıfır atışlı sınıflandırma herhangi bir eğitim verisine ihtiyaç duyar mı?
Hayır. Bu onun tanımlayıcı özelliğidir: kategorileri doğal dildeki aday etiketler olarak tanımlarsınız ve büyük bir önceden eğitilmiş model uyumu değerlendirir, bu nedenle etiketli örneklere gerek yoktur.
Hangi modele dayanır?
Büyük, önceden eğitilmiş bir dil modeline, tipik olarak BART veya RoBERTa gibi çıkarım için eğitilmiş bir modele dayanır. Sonucun kalitesi, küçük, genel bir model yerine yetenekli bir önceden eğitilmiş model kullanmaya büyük ölçüde bağlıdır.
Aday etiketleri nasıl yazmalıyım?
Onları açıkça tanımlayın ve ayrık tutun. Model metni yazıldığı gibi her bir etiketle karşılaştırır, bu nedenle belirsiz veya örtüşen etiketler kararı bulanıklaştırır ve doğruluğu düşürür.
Denetimli bir sınıflandırıcı kadar doğru mudur?
Mutlaka değil. Bol miktarda etiketli veriniz olduğunda, bu veriler üzerinde eğitilmiş denetimli bir sınıflandırıcı, sıfır atışlı sınıflandırmadan daha iyi performans gösterebilir. Sıfır atışlı sınıflandırma, etiketli verinin az olduğu veya kategori kümesinin sürekli değiştiği durumlarda parlar.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Zero-Shot Text Classification. ScholarGate. https://scholargate.app/tr/text-mining/zero-shot-classification
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Az Örnekli Metin SınıflandırmasıMetin madenciliği↔ karşılaştır
- Duygu AnaliziMetin madenciliği↔ karşılaştır
- Metin SınıflandırmasıMetin madenciliği↔ karşılaştır