【技术实现步骤摘要】
本申请涉及零样本文本分类，特别是涉及一种基于跨模态信息补全的零样本文本分类方法和装置。
技术介绍
1、文本分类是自然语言处理（nlp）领域的基础性任务，在新闻推荐、情感分析和医疗诊断等多个应用场景中发挥着重要作用，其核心目标是通过语义理解将文本映射到预定义的类别空间。然而，由于类别标注数据获取困难，尤其是特定专业领域，类别标注数据通常需要领域专家参与，导致人工标注成本高昂，使得传统的监督学习方法在数据稀缺的情况下难以有效构建。
2、为缓解类别标注数据不足问题，小样本和零样本文本分类方法应运而生。其中小样本文本分类方法通常采用迁移学习、元学习或数据增强等方法，在仅有少量标注数据的情况下，实现对新类别的分类。尽管小样本文本分类方法减少了对大量标注数据的依赖，但仍然需要一定数量的标注样本，且在类别变化较快或完全缺乏标注的情况下，性能难以保障。随着实际应用对模型泛化能力要求的提升以及数据稀缺问题的加剧，零样本文本分类（zero-shot text classification）逐渐成为研究热点。与依赖少量标注样本的小样本文本分类不同...
【技术保护点】
1.一种基于跨模态信息补全的零样本文本分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述基于跨模态信息补全的零样本文本分类方法，其特征在于，计算标签对应的图像与相应文本样本之间的余弦相似度并取均值，根据得到的平均余弦相似度，确定每个标签的映射图像候选集，包括：
3.根据权利要求1所述基于跨模态信息补全的零样本文本分类方法，其特征在于，将各标签对应的训练集样本输入到大规模预训练语言模型，生成预设数量个候选关键词短语，构成关键词候选集，包括：
4.根据权利要求1所述基于跨模态信息补全的零样本文本分类方法，其特征在于，根据所述关...
【技术特征摘要】
1.一种基于跨模态信息补全的零样本文本分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述基于跨模态信息补全的零样本文本分类方法，其特征在于，计算标签对应的图像与相应文本样本之间的余弦相似度并取均值，根据得到的平均余弦相似度，确定每个标签的映射图像候选集，包括：
3.根据权利要求1所述基于跨模态信息补全的零样本文本分类方法，其特征在于，将各标签对应的训练集样本输入到大规模预训练语言模型，生成预设数量个候选关键词短语，构成关键词候选集，包括：
4.根据权利要求1所述基于跨模态信息补全的零样本文本分类方法，其特征在于，根据所述关键词候选集、标签映射图像、文本样本、标签集进行多模态匹配与选择，得到与领域适配的最佳关键词，包括：
5.根据权利要求1...
【专利技术属性】
技术研发人员：范强，虎文龙，严浩，周晓磊，黄山，徐歆尧，张骁雄，王芳潇，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。