Zero Shot Explicit Binary Bert

🚀 零樣本顯式二元BERT

零樣本顯式二元BERT是一個基於BERT架構的模型，它能夠在未經過特定類別訓練的情況下，對文本進行分類。該模型通過在特定數據集上的訓練，展現出了在零樣本分類任務中的有效性。

🚀 快速開始

安裝

首先，你需要安裝我們的Python包：

pip install zeroshot-classifier

使用示例

基礎用法

>>> from zeroshot_classifier.models import BinaryBertCrossEncoder
>>> model = BinaryBertCrossEncoder(model_name='claritylab/zero-shot-explicit-binary-bert')

>>> text = "I'd like to have this track onto my Classical Relaxations playlist."
>>> labels = [
>>>     'Add To Playlist', 'Book Restaurant', 'Get Weather', 'Play Music', 'Rate Book', 'Search Creative Work',
>>>     'Search Screening Event'
>>> ]

>>> query = [[text, lb] for lb in labels]
>>> logits = model.predict(query, apply_softmax=True)
>>> print(logits)

[[1.0987393e-03 9.9890125e-01]
 [9.9988937e-01 1.1059999e-04]
 [9.9986207e-01 1.3791372e-04]
 [1.6576477e-03 9.9834239e-01]
 [9.9990320e-01 9.6742726e-05]
 [9.9894422e-01 1.0557596e-03]
 [9.9959773e-01 4.0229000e-04]]

✨ 主要特性

• 專為零樣本文本分類設計，能夠在未見過的類別上進行分類。
• 在二元分類框架下，通過顯式訓練和特定數據集進行訓練。

📦 安裝指南

安裝我們的 Python包：

pip install zeroshot-classifier

📚 詳細文檔

模型描述

此模型用於零樣本文本分類。它在二元分類框架下，通過使用經過方面歸一化的 UTCD 數據集進行顯式訓練。

• 微調自模型：bert-base-uncased

該模型由 Christopher Clarke、Yuzhao Heng、Yiping Kang、Krisztian Flautner、Lingjia Tang 和 Jason Mars 在 ACL'23 會議論文 Label Agnostic Pre-training for Zero-shot Text Classification 中提出。訓練和評估該模型的代碼可以在 這裡 找到。

📄 許可證

本項目採用 MIT 許可證。