零样本文本分类任务的简单教程_zero-shot classification

PS:用deepL翻译的这篇博客，感觉翻译的一般，建议看原文。

        零样本学习（Zero-shot learning，ZSL）是一种机器学习范式，它引入了用初始训练阶段从未观察到的类标签测试样本的想法。这类似于我们人类在长期收集的现有知识的基础上，将我们的学习结果推断到新的概念。ZSL范式最近变得越来越流行，这主要是因为获得任何特定领域的标签数据是一个相当昂贵和耗时的过程。根据你想优化的成本，你可以让主题专家（SME）给每个输入样本贴上标签，或者向他们寻求帮助，编写任务和特定领域的手工制作的规则，帮助以每周监督的方式启动训练阶段。ZSL在机器学习的各个垂直领域有许多应用，其中一些流行的和有趣的应用是文本分类、图像分类、文本到图像生成、语音翻译等。

        文本分类是为一个给定的文本片段分配一组预定义的类别的任务。它通常是在有监督的环境下建模的，你有特定领域文本的标记数据及其相关的类别标签/类别。然后你学习一些映射函数X->Y；其中，X：输入样本，Y：类别。文本分类的一些例子包括 - 情感分析、垃圾邮件分类、新闻分类等等。请随时关注本博客，了解使用变形金刚进行文本分类的快速教程。

        因此，零样本文本分类是指将给定的文本归类到一些预先定义的组或类标签，而不需要在包含文本和标签映射的下游数据集上明确地训练一个专门的机器学习模型。

        如果你不经常使用NLP，有可能没有听说过Hugging Face