解放已见类别：通过锚点生成和分类重构提升少样本和零样本文本分类
内容提要
本文探讨了零样本学习在文本分类中的应用，提出了数据扩充、特征扩充和生成对抗网络（GANs）等多种方法。这些方法在不同数据集上表现优于现有技术，提升了模型的泛化能力和分类性能。
延伸解读
零样本文本分类的技术路线多样性
文章汇总了多种零样本文本分类方法，包括数据与特征扩充、生成对抗网络、自训练、预训练策略改进以及无监督聚类等。这些方法从不同角度解决零样本问题，例如通过生成伪数据将零样本转化为传统分类，或利用无标签数据估计新类别分布。这种多样性表明该领域尚未形成统一方案，研究者需根据具体任务和数据特点选择合适方法。
语义知识结构的整合价值
两阶段框架将词嵌入、类别描述、类层次结构和通用知识图谱四种语义知识结构纳入零样本分类，实验显示单独和联合阶段均优于基线。这提示读者，在零样本场景中，引入外部语义知识可以为模型提供更强的监督信号，弥补目标类别标注缺失的问题。但整合多种知识结构可能增加模型复杂度和计算成本，需权衡效果与效率。
预训练语言模型的泛化挑战
文章提到通过隐式和显式预训练策略改善预训练语言模型在零样本文本分类中的泛化能力，并在UTCD数据集上验证。这表明即使是大规模预训练模型，在零样本设定下仍面临领域适应和泛化不足的问题。读者应注意，预训练策略的选择可能显著影响模型在未知类别上的表现，但具体策略的有效性可能因数据集和任务而异。
实际应用中的性能与效率权衡
ZeroBERTo模型利用无监督聚类获取压缩数据表示，在长文本输入上性能和执行时间均优于XLM-R，F1分数在FolhaUOL数据集上高出约12%。这显示在资源受限或长文本场景中，压缩表示可能带来效率与效果的双重提升。然而，该结果基于特定数据集，读者在应用时需评估其在不同语言和领域的可迁移性。
Q&A
零样本学习在文本分类中有什么应用？
零样本学习在文本分类中用于处理未知类别的文本，通过学习语句与标签之间的关系来进行预测。
文章中提到的两阶段框架是如何工作的？
该框架结合数据扩充和特征扩充，利用四种语义知识结构来提升零样本文本分类的准确率。
生成对抗网络在零样本学习中有什么作用？
生成对抗网络用于生成目标类别的视觉特征，帮助将零样本学习转化为传统分类问题。
ZeroBERTo模型的优势是什么？
ZeroBERTo模型利用无监督聚类方法获取压缩数据表示，性能优于XLM-R，尤其在长文本输入上表现更佳。
如何提高零样本学习的泛化能力？
通过使用新的预训练策略和无标签查询样本来估计新类别的分布，可以显著提高零样本学习的泛化能力。
自训练方法在零样本分类中有什么特点？
自训练方法无需领域专业知识，仅需类别标签和无标记数据，能显著提高文本分类性能。
