検索
ホームページテクノロジー周辺機器AIゼロサンプルテキスト分類の実装方法と関連技術の進化

ゼロサンプルテキスト分類の実装方法と関連技術の進化

ゼロサンプル ドキュメント分類とは、特定のカテゴリのトレーニング サンプルを参照せずに、そのカテゴリのドキュメントを分類することを指します。多くの場合、考えられるすべてのカテゴリのサンプルを取得できないため、この問題は実際のアプリケーションでは非常に一般的です。したがって、ゼロショット文書分類は非常に重要なテキスト分類問題です。 ゼロショット文書分類では、既存のトレーニング サンプルとカテゴリの意味情報を使用して分類できます。一般的なアプローチは、ワード ベクトルを使用してドキュメントとカテゴリを表し、ドキュメントとカテゴリ間の類似性を計算して分類を実行することです。もう 1 つのアプローチは、ナレッジ グラフまたは外部ナレッジ ベースを使用して、ドキュメントとカテゴリをナレッジ グラフ内のエンティティまたは概念にマッピングし、グラフ上の関係を通じてそれらを分類することです。 ゼロショット文書分類は、多くの分野で幅広い用途に使用できます。情報検索の分野では、ユーザーが関連文書を迅速に見つけるのに役立ちます

ゼロショット文書分類とは何ですか?

従来のテキスト分類タスクでは、通常、カテゴリでラベル付けされた一連のトレーニング サンプルを使用して分類器をトレーニングし、その後、その分類器を使用して新しいドキュメントを分類します。ただし、ゼロショット文書分類では、既知のクラスのトレーニング サンプルは利用できません。したがって、未知のカテゴリの文書を分類するには、他の方法を採用する必要があります。この場合、既知のカテゴリのサンプルと未知のカテゴリのサンプルを関連付けることによって分類を実行するゼロショット学習手法を使用することができます。もう 1 つのアプローチは、既存のトレーニング モデルと知識を使用して未知のカテゴリのドキュメントを分類する転移学習を使用することです。さらに、生成モデルを使用して分類用の新しいサンプルを生成することも検討できます。要約すると、ゼロショット文書分類は、既知のカテゴリのトレーニング サンプルがない状況に対処するために他の方法の助けを必要とする困難なタスクです。

#ゼロサンプル文書分類方法

1. Word ベクトルベースの方法

ベースon ワード ベクトル法は、一般的に使用されるゼロショット ドキュメント分類法です。その基本的な考え方は、既知のカテゴリのトレーニング サンプルを使用して単語ベクトル空間を学習し、この空間を使用して未知のカテゴリのドキュメントを表すことです。具体的には、各文書を単語ベクトルから構成されるベクトルとして表すことができます。次に、既知のカテゴリのトレーニング サンプル内の単語ベクトルを使用して、分類対象の文書内の単語ベクトルと比較して、そのカテゴリを決定できます。通常、コサイン類似度などの類似性尺度を使用して、ドキュメント間の類似性の程度を測定できます。分類対象の文書が特定のカテゴリのトレーニング サンプルとの類似性が高い場合、そのカテゴリに分類できます。このようにして、ワード ベクトル ベースの方法により、未知のカテゴリのドキュメントの分類を実現できます。

ワード ベクトル ベースの手法にはさまざまなバリエーションがあり、最も一般的なものは事前トレーニングされたワード ベクトルに基づいています。この方法では、Word2Vec や GloVe などの事前トレーニング済みの単語ベクトルを使用して、単語ベクトル空間を学習します。次に、この空間を使用してドキュメントを表現し、既知のカテゴリのトレーニング サンプルを使用して分類器をトレーニングできます。未知のカテゴリのドキュメントの場合、その単語ベクトル表現と既知のカテゴリのトレーニング サンプルの単語ベクトル表現を比較することで、そのカテゴリを決定できます。

2. ナレッジ グラフ ベースの方法

ナレッジ グラフ ベースの方法は、一般的に使用されるもう 1 つのゼロサンプル ドキュメント分類方法です。この方法の基本的な考え方は、既知のカテゴリのトレーニング サンプルの意味情報を使用してナレッジ グラフを構築し、このナレッジ グラフを使用してドキュメントを表現することです。未知のカテゴリのドキュメントについては、ナレッジ グラフ内のノードとして表現し、グラフ内の既知のカテゴリのノードを分類に使用できます。

ナレッジグラフに基づく方法は、トレーニングサンプルの意味分析と知識抽出が必要なため、より複雑です。ただし、ドキュメントの高レベルの意味情報を取得できるため、場合によってはより良い分類結果が得られます。

3. メタ学習ベースの手法

メタ学習ベースの手法は、最近提案されたゼロショット文書分類手法です。この方法の基本的な考え方は、既知のカテゴリのトレーニング サンプルを使用して、メタ特徴 (ドキュメントの長さ、単語の頻度分布など) に基づいてドキュメントのカテゴリを予測できるメタ分類子をトレーニングすることです。 。)。次に、未知のカテゴリのドキュメントについては、メタ分類子を使用してそのカテゴリを予測できます。

メタ学習ベースの手法では、大量のトレーニング サンプルとコンピューティング リソースが必要ですが、未知のカテゴリのドキュメントを正確に分類できます。

#ゼロショット文書分類のアプリケーション

ゼロショット文書分類は、自然言語処理の分野で幅広い用途があります。例:

1. 多言語テキスト分類

##複数言語の場合、すべてのトレーニング サンプルを取得できない場合があります。言語。したがって、ゼロショット文書分類を使用して、未知の言語のテキストを分類できます。

2. ニュースの分類

ニュース分類では、毎日さまざまなニューストピックが登場し、すべてのトピックのトレーニングサンプルを入手することは困難です。したがって、ゼロショット文書分類を使用して、新しいトピックを分類できます。

3. 商品分類

電子商取引の分野では、新しい商品カテゴリーが登場することがありますが、すべてを入手するのは困難です。カテゴリ トレーニング サンプル。したがって、ゼロショット文書分類を使用して、新しい製品カテゴリを分類できます。

以上がゼロサンプルテキスト分類の実装方法と関連技術の進化の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

声明
この記事は网易伏羲で複製されています。侵害がある場合は、admin@php.cn までご連絡ください。
解读CRISP-ML(Q):机器学习生命周期流程解读CRISP-ML(Q):机器学习生命周期流程Apr 08, 2023 pm 01:21 PM

译者 | 布加迪审校 | 孙淑娟目前,没有用于构建和管理机器学习(ML)应用程序的标准实践。机器学习项目组织得不好,缺乏可重复性,而且从长远来看容易彻底失败。因此,我们需要一套流程来帮助自己在整个机器学习生命周期中保持质量、可持续性、稳健性和成本管理。图1. 机器学习开发生命周期流程使用质量保证方法开发机器学习应用程序的跨行业标准流程(CRISP-ML(Q))是CRISP-DM的升级版,以确保机器学习产品的质量。CRISP-ML(Q)有六个单独的阶段:1. 业务和数据理解2. 数据准备3. 模型

2023年机器学习的十大概念和技术2023年机器学习的十大概念和技术Apr 04, 2023 pm 12:30 PM

机器学习是一个不断发展的学科,一直在创造新的想法和技术。本文罗列了2023年机器学习的十大概念和技术。 本文罗列了2023年机器学习的十大概念和技术。2023年机器学习的十大概念和技术是一个教计算机从数据中学习的过程,无需明确的编程。机器学习是一个不断发展的学科,一直在创造新的想法和技术。为了保持领先,数据科学家应该关注其中一些网站,以跟上最新的发展。这将有助于了解机器学习中的技术如何在实践中使用,并为自己的业务或工作领域中的可能应用提供想法。2023年机器学习的十大概念和技术:1. 深度神经网

基于因果森林算法的决策定位应用基于因果森林算法的决策定位应用Apr 08, 2023 am 11:21 AM

译者 | 朱先忠​审校 | 孙淑娟​在我之前的​​博客​​中,我们已经了解了如何使用因果树来评估政策的异质处理效应。如果你还没有阅读过,我建议你在阅读本文前先读一遍,因为我们在本文中认为你已经了解了此文中的部分与本文相关的内容。为什么是异质处理效应(HTE:heterogenous treatment effects)呢?首先,对异质处理效应的估计允许我们根据它们的预期结果(疾病、公司收入、客户满意度等)选择提供处理(药物、广告、产品等)的用户(患者、用户、客户等)。换句话说,估计HTE有助于我

使用PyTorch进行小样本学习的图像分类使用PyTorch进行小样本学习的图像分类Apr 09, 2023 am 10:51 AM

近年来,基于深度学习的模型在目标检测和图像识别等任务中表现出色。像ImageNet这样具有挑战性的图像分类数据集,包含1000种不同的对象分类,现在一些模型已经超过了人类水平上。但是这些模型依赖于监督训练流程,标记训练数据的可用性对它们有重大影响,并且模型能够检测到的类别也仅限于它们接受训练的类。由于在训练过程中没有足够的标记图像用于所有类,这些模型在现实环境中可能不太有用。并且我们希望的模型能够识别它在训练期间没有见到过的类,因为几乎不可能在所有潜在对象的图像上进行训练。我们将从几个样本中学习

LazyPredict:为你选择最佳ML模型!LazyPredict:为你选择最佳ML模型!Apr 06, 2023 pm 08:45 PM

本文讨论使用LazyPredict来创建简单的ML模型。LazyPredict创建机器学习模型的特点是不需要大量的代码,同时在不修改参数的情况下进行多模型拟合,从而在众多模型中选出性能最佳的一个。 摘要本文讨论使用LazyPredict来创建简单的ML模型。LazyPredict创建机器学习模型的特点是不需要大量的代码,同时在不修改参数的情况下进行多模型拟合,从而在众多模型中选出性能最佳的一个。​本文包括的内容如下:​简介​LazyPredict模块的安装​在分类模型中实施LazyPredict

Mango:基于Python环境的贝叶斯优化新方法Mango:基于Python环境的贝叶斯优化新方法Apr 08, 2023 pm 12:44 PM

译者 | 朱先忠审校 | 孙淑娟引言模型超参数(或模型设置)的优化可能是训练机器学习算法中最重要的一步,因为它可以找到最小化模型损失函数的最佳参数。这一步对于构建不易过拟合的泛化模型也是必不可少的。优化模型超参数的最著名技术是穷举网格搜索和随机网格搜索。在第一种方法中,搜索空间被定义为跨越每个模型超参数的域的网格。通过在网格的每个点上训练模型来获得最优超参数。尽管网格搜索非常容易实现,但它在计算上变得昂贵,尤其是当要优化的变量数量很大时。另一方面,随机网格搜索是一种更快的优化方法,可以提供更好的

人工智能自动获取知识和技能,实现自我完善的过程是什么人工智能自动获取知识和技能,实现自我完善的过程是什么Aug 24, 2022 am 11:57 AM

实现自我完善的过程是“机器学习”。机器学习是人工智能核心,是使计算机具有智能的根本途径;它使计算机能模拟人的学习行为,自动地通过学习来获取知识和技能,不断改善性能,实现自我完善。机器学习主要研究三方面问题:1、学习机理,人类获取知识、技能和抽象概念的天赋能力;2、学习方法,对生物学习机理进行简化的基础上,用计算的方法进行再现;3、学习系统,能够在一定程度上实现机器学习的系统。

超参数优化比较之网格搜索、随机搜索和贝叶斯优化超参数优化比较之网格搜索、随机搜索和贝叶斯优化Apr 04, 2023 pm 12:05 PM

本文将详细介绍用来提高机器学习效果的最常见的超参数优化方法。 译者 | 朱先忠​审校 | 孙淑娟​简介​通常,在尝试改进机器学习模型时,人们首先想到的解决方案是添加更多的训练数据。额外的数据通常是有帮助(在某些情况下除外)的,但生成高质量的数据可能非常昂贵。通过使用现有数据获得最佳模型性能,超参数优化可以节省我们的时间和资源。​顾名思义,超参数优化是为机器学习模型确定最佳超参数组合以满足优化函数(即,给定研究中的数据集,最大化模型的性能)的过程。换句话说,每个模型都会提供多个有关选项的调整“按钮

See all articles

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

ドリームウィーバー CS6

ドリームウィーバー CS6

ビジュアル Web 開発ツール

SecLists

SecLists

SecLists は、セキュリティ テスターの究極の相棒です。これは、セキュリティ評価中に頻繁に使用されるさまざまな種類のリストを 1 か所にまとめたものです。 SecLists は、セキュリティ テスターが必要とする可能性のあるすべてのリストを便利に提供することで、セキュリティ テストをより効率的かつ生産的にするのに役立ちます。リストの種類には、ユーザー名、パスワード、URL、ファジング ペイロード、機密データ パターン、Web シェルなどが含まれます。テスターはこのリポジトリを新しいテスト マシンにプルするだけで、必要なあらゆる種類のリストにアクセスできるようになります。

Safe Exam Browser

Safe Exam Browser

Safe Exam Browser は、オンライン試験を安全に受験するための安全なブラウザ環境です。このソフトウェアは、あらゆるコンピュータを安全なワークステーションに変えます。あらゆるユーティリティへのアクセスを制御し、学生が無許可のリソースを使用するのを防ぎます。

EditPlus 中国語クラック版

EditPlus 中国語クラック版

サイズが小さく、構文の強調表示、コード プロンプト機能はサポートされていません

mPDF

mPDF

mPDF は、UTF-8 でエンコードされた HTML から PDF ファイルを生成できる PHP ライブラリです。オリジナルの作者である Ian Back は、Web サイトから「オンザフライ」で PDF ファイルを出力し、さまざまな言語を処理するために mPDF を作成しました。 HTML2FPDF などのオリジナルのスクリプトよりも遅く、Unicode フォントを使用すると生成されるファイルが大きくなりますが、CSS スタイルなどをサポートし、多くの機能強化が施されています。 RTL (アラビア語とヘブライ語) や CJK (中国語、日本語、韓国語) を含むほぼすべての言語をサポートします。ネストされたブロックレベル要素 (P、DIV など) をサポートします。