Klasyfikacja zero-shot i QNLI

Przetwarzanie języka naturalnego (NLP) w Pythonie

Fouad Trad

Machine Learning Engineer

Klasyfikacja zero-shot

Umożliwia przypisanie tekstu do etykiet niewidzianych podczas treningu
Wykorzystuje predykcję języka naturalnego do uzyskania wyniku
Zastosowania:
- Tagowanie treści
- Obsługa klienta
- Filtrowanie artykułów

Obraz przedstawiający tekst „The national football team won the cup yesterday" klasyfikowany według trzech kategorii: sport, technologia i zdrowie.

Pipeline klasyfikacji zero-shot

from transformers import pipeline

zero_shot_classifier = pipeline(

  task="zero-shot-classification",

  model="MoritzLaurer/DeBERTa-v3-base-mnli-fever-anli"
)

text = "The national football team won the cup yesterday."

candidate_labels = ["sports", "technology", "health"]

result = zero_shot_classifier(text, candidate_labels)

print(result)

{'sequence': 'The national football team won the cup yesterday.',
 'labels': ['sports', 'technology', 'health'], 
 'scores': [0.9948731064796448, 0.0029330444522202015, 0.002193822991102934]}

Wnioskowanie w języku naturalnym na podstawie pytań (QNLI)

Określa, czy odpowiedź na pytanie można znaleźć w tekście
Zastosowania:
- Wyszukiwanie w dokumentach
- Chatboty
- Wyszukiwanie informacji

Obraz pokazujący, że QNLI przyjmuje tekst i pytanie, a zwraca wynik.

Pipeline QNLI

from transformers import pipeline

qnli_pipeline = pipeline(
    task="text-classification", 
    model="cross-encoder/qnli-electra-base"
    )

passage = "Penguins are found primarily in the Southern Hemisphere."

question = "Where do penguins live?"

result = qnli_pipeline({"text": question, "text_pair": passage})

print(result)

{'label': 'LABEL_0', 'score': 0.9951545000076294}

Pipeline QNLI

from transformers import pipeline
qnli_pipeline = pipeline(
    task="text-classification", 
    model="cross-encoder/qnli-electra-base"
    )
passage = "Penguins are found primarily in the Southern Hemisphere."
question = "What is the capital of Paris?"
result = qnli_pipeline({"text": question, "text_pair": passage})
print(result)

{'label': 'LABEL_0', 'score': 0.008907231502234936}

Czas na ćwiczenia!

Przetwarzanie języka naturalnego (NLP) w Pythonie