RU

Инфографика к этому тексту: Мы представляем систему классификации тем с открытым доменом, которая принимает заданную пользователем таксономию в режиме реального времени. Пользователи смогут классифицировать фрагмент текста по любым нужным им меткам-кандидатам и получать мгновенный ответ из нашего веб-интерфейса.

Инфографика к этому тексту: Мы представляем систему классификации тем с открытым доменом, которая принимает заданную пользователем таксономию в режиме реального времени. Пользователи смогут классифицировать фрагмент текста по любым нужным им меткам-кандидатам и получать мгновенный ответ из нашего веб-интерфейса.

Мы представляем систему классификации тем с открытым доменом, которая принимает заданную пользователем таксономию в режиме реального времени. Пользователи смогут классифицировать фрагмент текста по любым меткам-кандидатам, которые они захотят, и получать мгновенный ответ от нашего веб-интерфейса. Чтобы добиться такой гибкости, мы строим серверную модель с нулевым результатом. Обучаясь на новом наборе данных, созданном из Википедии, наш классификатор текста с поддержкой меток может эффективно использовать неявные знания в предварительно обученной языковой модели для обработки меток, которые он никогда раньше не видел. Мы оцениваем нашу модель по четырем наборам данных из разных доменов с разными наборами меток. Эксперименты показывают, что модель значительно улучшает существующие базовые показатели с нулевым результатом в сценариях с открытой доменной областью и конкурирует со слабо контролируемыми моделями, обученными на данных внутри домена.

Мы представляем систему классификации тем с открытым доменом, которая принимает заданную пользователем таксономию в режиме реального времени. Пользователи смогут классифицировать фрагмент текста по любым меткам-кандидатам, которые они захотят, и получать мгновенный ответ от нашего веб-интерфейса. Чтобы добиться такой гибкости, мы строим серверную модель с нулевым результатом. Обучаясь на новом наборе данных, созданном из Википедии, наш классификатор текста с поддержкой меток может эффективно использовать неявные знания в предварительно обученной языковой модели для обработки меток, которые он никогда раньше не видел. Мы оцениваем нашу модель по четырем наборам данных из разных доменов с разными наборами меток. Эксперименты показывают, что модель значительно улучшает существующие базовые показатели с нулевым результатом в сценариях с открытой доменной областью и конкурирует со слабо контролируемыми моделями, обученными на данных внутри домена.