基于零样本学习的灵活岗位分类

使用分类法组织信息需要将对象（文档、图像等）划分为适当的分类法类别。零样本学习的灵活性使其对该任务颇具吸引力，因为它允许分类器自然地适应分类法的修改。本工作研究了在人力资源领域现实分类法扩展场景下，使用微调语言模型的零样本多标签文档分类。实验表明，零样本学习在此设置下可高度有效。在控制训练数据预算的情况下，与在所有类别上训练的传统多标签分类器相比，零样本分类器在宏平均 AP（macro-AP）上实现了 12% 的相对提升。与直觉相反，这些结果表明在某些场景下，采用零样本技术并将资源用于以不完整类别集标注更多文档，优于将标注预算均匀分配至所有类别并使用传统分类技术。额外实验表明，采用推荐系统文献中著名的 filter/re-rank（过滤/重排序）分解可显著降低高性能零样本分类器的计算负担，经验上实现了计算开销减少 98%，而性能仅相对下降 2%。此处呈现的证据表明零样本学习有潜力显著提升分类法的灵活性，并指出了未来研究方向。