开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

BERT模型如何选择标签排序？

BERT（Bidirectional Encoder Representations from Transformers）模型是一种自然语言处理（NLP）模型，它使用Transformer架构来进行文本的编码和解码。在选择标签排序的任务中，可以使用BERT模型来进行标签的排序和选择。

在BERT模型中，可以使用两种方式来选择标签排序：监督学习和无监督学习。

监督学习：在监督学习中，需要使用有标签的训练数据来训练BERT模型。标签可以是离散的类别或者连续的分数，具体取决于任务的需求。一种常见的方法是将标签排序问题转化为分类问题，例如将标签排序问题转化为多分类问题，然后使用交叉熵损失函数进行训练。在训练过程中，BERT模型可以学习到输入文本和相应标签之间的关系，从而实现标签的排序。
无监督学习：在无监督学习中，可以使用无标签的数据来进行BERT模型的训练。一种常见的方法是使用预训练的BERT模型，例如使用预训练的BERT模型对大规模文本数据进行预训练，然后再通过微调来适应特定的标签排序任务。无监督学习可以通过学习文本数据的内在结构和语义信息来实现标签排序。

标签排序任务可以应用于多个领域和场景，例如搜索引擎结果排序、推荐系统的物品排序、情感分析中的情感倾向排序等。对于腾讯云相关产品和产品介绍链接地址，可以参考以下内容：

相关搜索:如何使用bert模型的输出？如何访问pytorch分类模型的预测？(BERT)如何从bert finetuned模型中获取嵌入？如何对bert微调模型进行再次微调如何按ACF选择标签而不是值排序？运行BERT模型后如何解决属性错误如何使用微调的BERT模型进行句子编码？如何在Huggingface BERT模型之上添加LSTM层 Struts 2选择标签排序值问题如何使用BERT模型来预测与没有标签的数据集的句子语义相似度？如何在本地下载BERT模型，不使用包？如何将精调的bert模型的输出作为输入提供给另一个精调的bert模型？如何实现降序选择排序如何对Wagtail标签进行排序 WooCommerce -如何检索当前排序/排序选择？如何通过xpath选择标签如何选择所有的'a‘标签选择多选标签时如何禁用多选标签？如何使用选择模型来处理代理模型？如何从微调的bert模型中获得多类置信度得分？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

[预训练语言模型专题] MT-DNN(KD) : 预训练、多任务、知识蒸馏的结

感谢清华大学自然语言处理实验室对预训练语言模型架构的梳理，我们将沿此脉络前行，探索预训练语言模型的前沿技术，红框中为已介绍的文章，绿框中为本期介绍的文章，欢迎大家留言讨论交流。

04

独家 | 采用BERT的无监督NER（附代码）

图1. 展示了未微调的BERT(bert-large-cased)无监督NER标记的句子样本

02

比seq2seq模型快90倍！Google推出全新文本编辑模型FELIX

序列到序列(seq2seq)模型已经成为处理自然语言生成任务的有效方法，其应用范围从机器翻译到单语言生成任务，如摘要、句子融合、文本简化和机器翻译的译后编辑。

04

关于BERT，面试官们都怎么问

BERT 来自 Google 的论文Pre-training of Deep Bidirectional Transformers for Language Understanding[1]，BERT 是“Bidirectional Encoder Representations from Transformers”的首字母缩写，整体是一个自编码语言模型（Autoencoder LM），并且其设计了两个任务来预训练该模型。

03

NLP任务之中文拼写语法纠错介绍与综述

在很多中文NLP相关的落地场景都会涉及到文本纠错的相关技术，例如跟各种形式机器人的语音或者文字对话，或者用手机扫描相关的PDF或者图片，或者跟人聊天时用输入法打字等等，无论是通过ASR识别的语音信息，通过OCR识别得到的图片信息，还是用户真实通过输入法的文字，都有可能出现错误。这些错误会影响文本的可读性，不利于人和机器的理解，如果这些错误不加处理，会传播到后续的环节，影响后续任务的效果。常见的中文错误类型包括以下几种：

BERT在美团搜索核心排序的探索和实践

为进一步优化美团搜索排序结果的深度语义相关性，提升用户体验，搜索与NLP部算法团队从2019年底开始基于BERT优化美团搜索排序相关性，经过三个月的算法迭代优化，离线和线上效果均取得一定进展。本文主要介绍探索过程以及实践经验。

互联网新闻情感分析比赛，复赛第8名(8/2745)解决方案及总结

本次比赛的任务是对给定文本进行情感极性分析，情感极性包括正中负三类。这次比赛我的成绩是复赛第8名(共2745支参赛队伍，实际有效提交851个提交)。借助分享本次参赛方案总结，希望能和大家共同交流交流。

03

广告行业中那些趣事系列15：超实用的基于BERT美团搜索实践

摘要：本篇主要学习和分析BERT在美团搜索排序中的项目实践。首先介绍了业务背景，主要对比了美团搜索业务场景和我们的应用场景；然后讲了下计算query和doc相关性的方法，主要包括计算字面相关性和计算语义相关性，重点介绍了基于BERT的语义相关性内容；最后也是本篇的重点，分析了美团搜索排序项目实践以及对我们业务的思考，其中包括数据样本增强、BERT领域适配、模型轻量化、联合训练和排序服务架构优化等一系列眼花缭乱但是又极具工程价值的优化操作，对于我们有极大的工程借鉴价值。

04

美团大脑百亿级知识图谱的构建及应用进展

导读：美团作为中国最大的在线本地生活服务平台，连接着数亿用户和数千万商户，其背后蕴含着丰富的与日常生活相关的知识。美团知识图谱团队从2018年开始着力于图谱构建和利用知识图谱赋能业务，改善用户体验。具体来说，“美团大脑”是通过对美团业务中千万数量级的商家、十亿级别的商品和菜品、数十亿的用户评论和百万级别的场景进行深入的理解来构建用户、商户、商品和场景之间的知识关联，进而形成的生活服务领域的知识大脑。目前，“美团大脑”已经覆盖了数十亿实体、数百亿的三元组，在餐饮、外卖、酒店、到综等领域验证了知识图谱的有效性。今天我们介绍美团大脑中生活服务知识图谱的构建及应用，主要围绕以下3个方面展开：

00

J. Med. Chem. | 利用通用结构模式和特定领域知识增强分子性质预测

本文介绍一项由中南大学湘雅药学院曹东升教授团队，联合湖南大学曾湘祥教授团队，在Journal of Medicinal Chemistry上发表的研究工作“Enhancing Molecular Property Prediction through Task-Oriented Transfer Learning: Integrating Universal Structural Insights and Domain-Specific Knowledge”。作者提出一种基于BERT的任务导向多级学习（Task-Oriented Multilevel Learning based on BERT，TOML-BERT）模型，在预训练阶段同时提取分子的结构模式和领域知识，显著提升了多种分子性质的预测精度。此外，TOML-BERT在实验数据稀缺的情形下，仍具有出色的预测表现。这主要归因于该模型将基于掩蔽原子的节点级预训练和基于伪标签的图级预训练相结合，促使模型提前学习到上下文感知的原子表征和任务相关的分子表征。本研究在设计预训练策略时，主要关注目标任务。这种量身定制的方法为预测分子性质提供了一种适应性更强的解决方案。

01

广告行业中那些趣事系列41：广告场景中NLP技术的业务应用及线上方案

摘要：本篇主要介绍了广告场景中NLP技术的业务应用和线上方案，主要介绍了三大类任务：第一类任务是文本分类任务，业务主要包括自然兴趣建模体系、搜索场景行业词包和在线分类以及商店/搜索/评论等舆情分析，同时介绍我们的线上方案以及在模型和样本上的优化实践；第二类任务是文本生成任务，介绍了头条巨量创意平台的妙笔以及我们自研的文案助手技术方案；第三类任务是相似文本召回任务，业务主要是广告算法词召回，线上主要使用基于对比学习simcse+faiss的相似文本召回方案。感兴趣的小伙伴可以多交流。

03

他山之石 | 预训练模型落地"最后一公里"

大家好，这里是NewBeeNLP。预训练模型如今在业界已经占据主导地位，但是随着模型规模越来越大，如何完美落地成为制约其效果的一大因素。今天和大家分享，来自美团的基于预训练语言模型压缩和蒸馏的落地实践。全文会围绕下面三点展开：

04

清华与微软团队联合提出基于领域知识迁移学习的神经信息检索

随着深度学习的快速发展，神经网络模型在CV、NLP等很多领域已经取得了显著超越传统模型的效果。然而，在信息检索领域，神经网络模型的有效性却仍然受到质疑。

02

使用PaddleNLP打造精准文献检索系统，看万方系统升级放大招！

又是一年开学季，看着大批莘莘学子步入高校，同时又有大批学生即将面临毕业，这一年要饱受论文的洗礼。在学术论文领域，几乎每一位大学生都避不开论文检索、查重环节。想写出一篇高质量论文，前期大量的信息储备必不可少，而文献检索成为我们获取信息的重要途径。万方数据知识服务平台以客户需求为导向，整合了数亿条全球优质知识资源，依托强大的数据采集能力，应用先进的信息处理技术和检索技术，为决策主体、科研主体、创新主体提供高质量的信息资源产品。今天就来聊聊，我们如何使用百度飞桨PaddleNLP升级论文检索系统。

01

【干货】BERT模型的标准调优和花式调优

自去年 BERT 论文发出，正巧半年，不光各大榜单上尽是 BERT 之名，最近公布 NAACL 最佳长论文也给了 BERT，正所谓实至名归。

01

KDD Cup 2020多模态召回比赛亚军方案与搜索业务应用

ACM SIGKDD（ACM SIGKDD Conference on Knowledge Discovery and Data Mining）是世界数据挖掘领域的顶级国际会议。今年，KDD Cup共设置四个赛道共五道赛题，涉及数据偏差问题（Debiasing）、多模态召回（Multimodalities Recall）、自动化图学习（AutoGraph）、对抗学习问题和强化学习问题。

03

BERT烹饪之法：fintune 的艺术

BERT 预训练模型就如宰好待烹的猪，则 finetune 便是烹饪之法，猪头能用来做成香糯浓醇的烧猪头肉，猪蹄能用来做成劲道十足的红烧猪蹄，身上的梅花肉，五花肉，里脊肉也各有各的做法。于是对于 Bert finetune，也就有各种料理之法。

01

广告行业中那些趣事系列37：广告场景中的超详细的文本分类项目实践汇总

摘要：本篇主要分享了我在绿厂广告场景中历时两年的文本分类项目模型优化实践。第一部分内容是背景介绍，包括业务介绍、项目背景及目标、技术选型、分类器组织方案以及技术选型，了解了项目背景的来龙去脉才能更好的完成项目；第二部分内容是文本分类项目模型优化实践，主要包括基于BERT文本分类模型架构、Encoder优化、句向量表示优化、分类层优化、损失函数优化以及文本分类任务转化成句子对关系任务等。通过上述优化实践，可以让我们对文本分类任务有更加深入的了解。文本分类项目应该是我完成度最高的项目之一，从0到1将NLP前沿模型应用到业务实践产生广告消耗，本身收获很大。欢迎感兴趣的小伙伴一起沟通交流，后面会继续分享从样本层面优化文本分类任务实践。

02

Google Research吐嘈tensorflow！TF-Ranking迎来大更新：兼容Keras更容易开发

Google Research出品的排序模型（LTR, learning-to-rank）库又迎来大更新，这次兼容Keras了和其他常见的tensor库，官方说：这会让用户更容易开发和部署！

05

文本分类综述 | 迈向NLP大师的第一步（中）

本系列文章总结自然语言处理（NLP）中最基础最常用的「文本分类」任务，主要包括以下几大部分：

01

大众点评搜索相关性技术探索与实践

总第521篇 2022年第038篇搜索相关性用于衡量Query和Doc的相关程度，是搜索引擎的重要环节，本文主要讲述大众点评搜索团队在相关性计算上的技术探索和实践，通过多相似矩阵模型结构、多阶段训练等方法提升预训练模型在相关性问题上的效果，同时解决基于交互的模型在线预测的性能问题，希望为从事相关工作的同学能够带来一些启发或者帮助。 1. 背景 2. 搜索相关性现有技术 3. 点评搜索相关性计算 3.1 如何更好地构造POI侧模型输入信息 3.2 如何优化模型来更好地适配点评搜索相关性计算 3.3 如何

01

广告行业中那些趣事系列48：如何快速得到效果好性能快的文本分类器？

摘要：本篇主要总结了小X语音助手安全服务模型的优化实践。首先介绍了小X语音助手安全服务模型背景以及任务类型；然后重点介绍了在优化任务中的实践，包括线上算法服务介绍、第一阶段样本优化实践和第二阶段通过知识蒸馏的方式优化模型，最后分享了后续的优化思路。对于希望快速得到效果好性能快的文本分类模型的小伙伴可能有所帮助。

01

广告行业中那些趣事系列5：BERT实战多标签标注模型(附github源码)

摘要：之前广告行业中那些趣事系列2：BERT实战NLP文本分类任务(附github源码)，我们通过BERT构建了二分类器。这里根据实际项目需要使用BERT构建多标签标注模型，可通过一个模型识别多类标签，极大提升建模效率。实际项目中会根据业务需要同时使用二分类器和多标签标注模型完成文本识别任务。

03

CopyNet、SeqGAN、BERTSUM…你都掌握了吗？一文总结文本摘要必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 2 期进行连载，共介绍 17 个在文本摘要任务上曾取得 SOTA 的经典模型。第 1 期：CopyNet、SummaRuNNer、SeqGAN、Latent Ex

04

广告行业中那些趣事系列2：BERT实战NLP文本分类任务(附github源码)

摘要：上一篇广告中那些趣事系列1：广告统一兴趣建模流程，我们了解了如何为广告主圈人群以及如何刻画用户的兴趣度。要想给用户打标签，我们需要构建数据源和标签的关联，也就是item-tag。针对数量较少的app数据源我们可以使用人工打标的方式来识别，但是对于news、用户query等数量较多的数据源则需要通过机器学习模型来进行打标。实际项目中我们使用NLP中鼎鼎大名的BERT模型来进行文本分类。

04

干货 | 上百个业务场景，语义匹配技术在携程智能客服中的应用

随着AI技术在各个领域的广泛应用，人机交互技术愈发成熟。包括电商、银行、电信等在内的很多领域开始建设智能客服的交互能力，为客人提供智能化自助服务，同时为客服人员的工作提供智能辅助。携程集团依靠强大的客服团队为国内外旅行者的出行提供了优质的服务保障，持续提升智能客服的交互能力，提高客服人员的生产效率显得尤为重要。

02

广告行业中那些趣事系列29：基于BERT构建文案生成模型

摘要：本篇从理论到实践介绍了基于BERT构建文案生成模型。首先介绍了业务背景以及行业参考，通过构建基于标签的文案生成模型不仅可以提升广告主创建广告的效率，而且引人注目的广告文案可以有效提升广告的转化效果，同时介绍了行业竞品主要有阿里妈妈的一键生成电商营销方案系统和宇宙条的巨量创意平台；然后重点详解了BERT构建文案生成模型，包括本质属于Seq2Seq任务、BERT和Seq2Seq的结合UNILM、beam search优化、基于检索和基于生成的两种可行性方案以及基于Conditional Layer Normalization的条件文本生成原理；最后通过源码实践了BERT基于标签的文案生成模型，包括线下构建离线模型和基于Flask构建线上模型。希望对应用BERT构建文案生成模型感兴趣的小伙伴能有所帮助。

02

LaserTagger: 文本生成任务的序列标注解决方案

今天要和大家分享的是2019年Google Research的一篇关于文本生成的论文[1]，已开源[2]。

01

预训练技术在美团到店搜索广告中的应用

搜索广告在优化流量变现效率等商业指标之外，也需要重点优化用户体验，降低不相关广告对用户体验的损害，这样才能保证平台生态的健康发展。本文对预训练技术在广告相关性的落地方案进行了介绍，既包括训练样本上的数据增强、预训练及微调阶段的BERT模型优化等算法探索层面的工作，也包括知识蒸馏、相关性服务链路优化等实践经验。

02

搜狐文本匹配算法大赛方案总结

在自然语言理解中，自然语言推理（Nature Language Inference，NLI）被认为是一个非常基础但重要的研究任务。它要求机器去理解自然语言的深层次语义信息，进而做出合理的推理。更具体的推理任务，则是判断句子关系，即对于给定的两个句子，判断它们含义是否一致。

02

开发 | 表现比 BERT 更胜一筹？微软用于学习通用语言嵌入的 MT-DNN 即将开源

AI 科技评论按：不久前，微软发布了用于学习通用语言嵌入的多任务深度神经网络模型——MT-DNN，它集成了 MTL 和 BERT 语言模型预训练二者的优势，在 10 项 NLU 任务上的表现都超过了 BERT，并在通用语言理解评估（GLUE）、斯坦福自然语言推理（SNLI）以及 SciTail 等多个常用 NLU 基准测试中取得了当前最佳成绩。微软在官方博客上对该模型进行了介绍，AI 科技评论编译如下。

01

【小白学习PyTorch教程】十六、在多标签分类任务上微调BERT模型

BERT模型在NLP各项任务中大杀四方，那么我们如何使用这一利器来为我们日常的NLP任务来服务呢？首先介绍使用BERT做文本多标签分类任务。

02

开发 | 表现比 BERT 更胜一筹？微软用于学习通用语言嵌入的 MT-DNN 即将开源

AI 科技评论按：不久前，微软发布了用于学习通用语言嵌入的多任务深度神经网络模型——MT-DNN，它集成了 MTL 和 BERT 语言模型预训练二者的优势，在 10 项 NLU 任务上的表现都超过了 BERT，并在通用语言理解评估（GLUE）、斯坦福自然语言推理（SNLI）以及 SciTail 等多个常用 NLU 基准测试中取得了当前最佳成绩。微软在官方博客上对该模型进行了介绍，AI 科技评论编译如下。

02

干货 | 携程实体链接技术的探索及实践

作者简介携程旅游AI研发团队致力于为携程旅游事业部提供丰富的AI技术产品，其中知识图谱组专注旅游领域知识图谱的构建及应用落地。一、背景介绍随着网络应用技术的飞速发展，多元化、低密度数据的急剧膨胀对人们获取正确信息带来巨大挑战，大量冗余信息出现的根源在于自然语言表达的多样性，即一词多义和多词同义。例如，“苹果”在不同语境下既可以表示蔷薇科苹果属植物又可以表示苹果产品公司，“申城”和“魔都”尽管字面完全不同，却都是上海市的别称。实现对海量Web数据的高效处理，理解用户意图，降低信息过载，是实体链接的目

03

语言模型GPT跨界CV，OpenAI揭示强算力Transformer具有通用性

这一次，它要进军CV领域——以Image GPT (简称iGPT)的名义，处理「图像任务」。

02

视频预训练界的HERO！微软提出视频-语言全表示预训练模型HERO，代码已开源！

在本文中，作者提出了HERO，一个新的大规模视频+语言综合表示学习框架。HERO以层次结构编码多模态输入，其中视频帧的局部上下文通过多模态融合被跨模态Transformer（Cross-modal Transformer）捕获，而全局视频上下文由时间Transformer（Temporal Transformer）捕获。

02

基于知识图谱的问答系统，BERT做命名实体识别和句子相似度

了解知识图谱的基本概念，也做过一些demo的实践，毕竟是做问答方向的，所以就比较关注基于知识图谱的问答。其实构建知识图谱的核心在于命名实体识别和关系抽取，围绕这两个方面也有很多细致的工作，比如如何解决实体的歧义，进行实体消歧；如何进行多关系的抽取等。从最近各大公司举行的比赛，我们也可以看出来，今年的主要工作就在这上面，这也是技术落地的一个重要标志。最近也在捣鼓BERT，想着就将基于KB的QA流程撸一遍，于是就有了这个demo。

01

检索式对话系统在美团客服场景的探索与实践

在传统的客服、IM等场景中，坐席需要花费大量时间回答用户的各种咨询，通常面临答案查询时间长、问题重复、时效要求高等挑战。因而，使用技术手段辅助坐席快速、准确、高效地回答用户的各类问题非常有必要。

04

Doc Embedding-语义相似度计算

考虑本身数据集的一些特点，针对表达多样性，语言噪音，同义词，人工标注等，参考数据增强的一些做法。

01

Facebook：既能对话又能行动的冒险游戏研究平台LIGHT | EMNLP 2019

Jack Urbanek、Angela Fan等（FAIR、法国洛林国家信息及其应用研究所(LORIA－Nancy)、伦敦大学学院）

04

BERT霸榜问答任务，谷歌新基准模型缩小AI与人类差距50%

上周，谷歌AI团队发布了一个新的NLP基准数据集：自然问题数据集(Natural Questions)。

03

中文短文本的实体识别实体链接，第一名解决方案

面向中文短文本的实体识别与链指，简称ERL（Entity Recognition and Linking），是NLP领域的基础任务之一，即对于给定的一个中文短文本（如搜索Query、微博、用户对话内容、文章标题等）识别出其中的实体，并与给定知识库中的对应实体进行关联。ERL整个过程包括实体识别和实体链指两个子任务。

02

CCKS 2020「基于标题的大规模商品实体检索」竞赛冠军，DeepBlueAI团队技术分享

第十四届全国知识图谱与语义计算大会(CCKS 2020) 11 月 12 日至 15 日在江西南昌举行，CCKS（China Conference on Knowledge Graph and Semantic Computing）是由中国中文信息学会语言与知识计算专委会定期举办的全国年度学术会议。CCKS 已经成为国内知识图谱、语义技术、语言理解和知识计算等领域的核心会议。CCKS 2020 举办的各项挑战赛公布了最终结果，来自深兰科技北京 AI 研发中心的 DeepBlueAI 团队斩获了 3 项冠军和 1 项亚军，并获得了一项技术创新奖。

02

广告行业中那些趣事系列22：当文本分类遇上了主动学习

摘要：本篇主要讲解将主动学习应用到文本分类任务。首先讲了下为啥要研究主动学习。因为标注样本是有成本的，所以我们要尽量用更少的标注样本来得到一个效果更好的模型，这是研究主动学习的原因和目的；然后详解主动学习，主要包括主动学习的定义、基本流程、查询策略的设计原则、常用的查询策略以及主动学习的评价指标等；最后讲了下将主动学习应用到文本分类实战的详细步骤，从使用不同的BERT预训练模型获取多个分类器到基于委员会的查询策略获取不确定性较大的样本，再到基于SimBERT获取语义相似度较远的样本，再到结合业务视角选择最终的样本。对于希望将主动学习应用到实际的机器学习项目的小伙伴可能会有帮助。

02

Prompt Learning-使用模板激发语言模型潜能

最近又出了个比较吸引人眼球的Prompt Learning，甚至该方法还被称之为NLP的“第四范式”，具体有哪几项请参考以下链接：

03

BERT：我训练再久一点、数据量再大一点，就能重返SOTA

上个月，XLNet 在 20 项任务上全面超越了 BERT，创造了 NLP 预训练模型新记录，一时风光无两。但现在，XLNet 刚屠榜一个月，剧情再次发生反转：Facebook 的研究人员表示，如果训练得更久一点、数据再大一点，BERT 就能重返 SOTA。

02

BERT：我训练再久一点、数据量再大一点，就能重返SOTA

上个月，XLNet 在 20 项任务上全面超越了 BERT，创造了 NLP 预训练模型新记录，一时风光无两。但现在，XLNet 刚屠榜一个月，剧情再次发生反转：Facebook 的研究人员表示，如果训练得更久一点、数据再大一点，BERT 就能重返 SOTA。

03

【NLP】打破BERT天花板：11种花式炼丹术刷爆NLP分类SOTA！

在2020这个时间节点，对于NLP分类任务，我们的关注重点早已不再是如何构造模型、拘泥于分类模型长什么样子了。如同CV领域当前的重点一样，我们更应该关注如何利用机器学习思想，更好地去解决NLP分类任务中的低耗时、小样本、鲁棒性、不平衡、测试检验、增量学习、长文本等问题。

02

tensorflow 2.0+ 预训练BERT模型的文本分类

多分类也称为单标签问题，例如，我们为每个样本分配一个标签。名称中的"多"表示我们处理至少 3 个类，对于 2 个类，我们可以使用术语二进制分类(binary classification)。另一方面，多标签任务更为一般，允许我们为每个样本分配多个标签，而不仅仅是一样本一标签。

04

使用BERT和TensorFlow构建多标签文本分类器

在多标签分类问题中，训练集由实例组成，每个实例可以被分配有表示为一组目标标签的多个类别，并且任务是预测测试数据的标签集。例如：

04

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭