- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型应用
大模型应用：K-MeansLDA + 混元大模型：无监督文本自动打标完整方案.85
大模型的崛起，为无监督自动打标带来了新的构想与突破。 今天我们围绕聚类算法 + 大模型的无监督自动打标方案，聚焦大模型在语义赋能、结果解读、标签生成中的关键作用，通俗的理解零标签数据的自动分类技术，真正释放文本数据的核心价值。二、核心概念1. 无监督自动打标 没有提前给数据标好类别，完全靠算法自动给数据分组，再生成有业务意义的标签。 无标签数据的痛点实际工作中，评论、工单、错题这类文本数据大多没有标签：人工打标成本极高，10万条评论人工打标可能要数周）；人工打标主观性强，不同人对“服务差”的定义可能不同）；数据量增长快，人工打标跟不上 在聚类完成后，基于大模型生成的业务标签和标签解释：六、总结 通过了解聚类算法结合大模型实现无监督自动打标，其实原来无标签数据的自动分类，并没有想象中那么难，关键是找对搭档，聚类和大模型，少了哪个都不行
11132编辑于 2026-04-23 - 来自专栏XLJ的技术专栏
(转载非原创)无监督数据预训练短文本编码模型
2 工作简介 受到MOCO和SimCSE的启发, 基于自监督，使用海量无监督数据(nlp_chinese_corpus)，预训练了一个专门用于短文本表征的编码器。 即便如此, 本人构想还是对的,基于无监督数据, 借助对比学习, 还是可以预训练出优质文本编码模型的, 挺好奇为什么SimCSE的作者不预训练一个文本编码模型. Sentence-BERT的方式 alignment和uniformity验证无监督句向量效果 7 FAQ Q: 为什么就放出了一个没完全训练的小模型? A: 没有可比性，有监督对无监督就是降维打击. 中文数据任务完全可以用SimBERT替代LUSE预训练模型. Q：接上一问题，那LUSE预训练模型的意义何在呢？ A：如果没有有监督数据怎么办？ 本文主要探索无监督数据预训练短文本编码模型的可能性. Q：EDA和dropout数据增强，那个更有用？ A：没钱做消融实验了，中庸了, 两个都用.
1.1K20发布于 2021-07-31 - 来自专栏AI研习社
OpenAI“巧妙”发现无监督情感神经元，可利用文本检测用户情感
日前，OpenAI在官网公布了一项新研究成果，介绍了一个可以高效学习情感表征的无监督系统，它能够预测亚马逊评论中的下一个字符。 无监督学习 有标记的数据是机器学习的燃料。收集数据很容易，但是想要大规模地标记数据则很困难。只有在机器翻译、语音识别或者自动驾驶等具有切实效果和回报的领域，大规模地标记数据才是切实可行的。 长久以来，机器学习领域的研究人员一直梦想着开发出能够学习数据集的准确表征的无监督学习算法，希望用很少的标记数据就能够解决问题。 下一步 OpenAI的研究成果，代表通用无监督表征学习又向前迈进了一步。研究人员在探索是否可以通过语言建模来学习高质量的表征时意外发现了这一结果，并在经过仔细选择的数据集上扩大了这个现有模型。 OpenAI的研究结果表明，大型的下一步预测模型能够学会出色的无监督表征。利用大规模的视频集训练一个大型的神经网络来预测下一帧画面，可能会得到对目标、场景、动作分类器的无监督表征。
1.2K90发布于 2018-03-29 - 来自专栏AI科技评论
学界 | OpenAI“;巧妙”发现无监督情感神经元，可利用文本检测用户情感
AI科技评论4月7日消息，OpenAI在官网公布了一项最新的研究成果，介绍了一个可以高效学习情感表征的无监督系统，目前能够预测亚马逊评论中的下一个字符。 无监督学习 有标记的数据是机器学习的燃料。收集数据很容易，但是想要大规模地标记数据则很困难。只有在机器翻译、语音识别或者自动驾驶等具有切实效果和回报的领域，大规模地标记数据才是切实可行的。 长久以来，机器学习领域的研究人员一直梦想着开发出能够学习数据集的准确表征的无监督学习算法，希望用很少的标记数据就能够解决问题。 OpenAI的研究意味着，在创建具有优秀表征学习能力的系统时，简单地利用大量数据训练大型无监督下一步预测模型（next-step-prediction model）很可能是一种不错的方法。 OpenAI的研究结果表明，大型的下一步预测模型能够学会出色的无监督表征。利用大规模的视频集训练一个大型的神经网络来预测下一帧画面，可能会得到对目标、场景、动作分类器的无监督表征。
1.1K100发布于 2018-03-12 - 来自专栏人工智能
企业微信ipad协议的标签管理机制与自动化打标实践
企业微信ipad协议的标签管理机制与自动化打标实践在企业微信的客户运营体系中，标签管理是实现精细化运营的核心模块。 本文从协议接口设计出发，解析标签管理的技术实现路径，并提供自动化打标的集成方案。企业微信ipad协议的标签管理功能涵盖企业标签与个人标签两个维度。 在自动化打标的集成实践中，开发者需注意标签ID的稳定性与复用性。建议在本地建立标签ID的缓存映射表，避免频繁查询API造成的性能损耗。 同时，针对批量打标场景，协议接口支持单次请求携带多个标签ID，开发者应充分利用这一特性减少API调用次数。总结而言，企业微信ipad协议的标签管理机制为企业客户运营提供了灵活、高效的技术支撑。 通过合理设计自动化打标流程，企业可实现客户分层、精准营销与个性化服务，充分发挥企业微信在私域流量运营中的价值。
19100编辑于 2026-02-24 - 来自专栏CVer
顶刊TPAMI 2020 | 一文打尽无监督多类域适应：理论，算法与实践
该课题的目标是： 输入有标签的源域数据和无标签的目标域数据，输出一个适用于目标域的模型。
1.7K10发布于 2021-01-28 - 来自专栏自然语言处理(NLP)论文速递
【NLP论文速递&&源码】弱监督文本分类(MotifClass)、自动文本分类(AdaptText)、论证充分性评估
引言 今天论文速递主要包括：弱监督文本分类(MotifClass)、自动文本分类(AdaptText)、论证充分性评估。 其中弱监督文本分类提出MotifClass的新框架提高了弱监督文本分类的能力；自动文本分类主要对低资源小语种实现文本自动分类；论证充分性评估根据前提条件对结论的充分性进行评估。 正文开始 1 弱监督文本分类 弱监督文本分类，其主要目的是将文本文档分类到一组预先定义的类别中，并且这些类别只有类别表面名称。 在真实数据集上的大量实验表明，MotifClass的性能优于现有的弱监督文本分类方法。 2 自动文本分类 本文主要的训练样本是僧伽罗语，僧伽罗语是斯里兰卡广泛使用的语言。那么可能有人问了？既然不是中文，为什么给大家分享这边文章呢？
55420发布于 2021-11-29 - 来自专栏新智元
DeepMind无监督表示学习重大突破：语音、图像、文本、强化学习全能冠军！
因此，无监督学习是实现强健的、通用的表示学习的重要基石。 尽管无监督学习很重要，但无监督学习尚未得到类似监督学习的突破：从原始观察中建模高级表示仍然难以实现。 此外，并不总是很清楚理想的表示是什么，以及是否可以在没有对特定的数据模态进行额外的监督学习或专门化的情况下学习这样的表示。 无监督学习最常见的策略之一是预测未来、缺失信息或上下文信息。 通过将其作为一个预测问题，我们可以自动推断出这些特征与表示学习相关。 本文有以下贡献： 首先，我们将高维数据压缩成一个更紧凑的潜在嵌入空间，在这个空间中，条件预测更容易建模。 虽然数据集不提供原始文本以外的标签，但我们使用Kaldi工具包获得了强制对齐的通话序列，并在Librispeech上预训练模型。该数据集包含来自251个不同说话者的语音。 ? 表3：ImageNet top-1无监督分类结果。 ? 表4：ImageNet top-5无监督分类结果。
1.1K00发布于 2018-07-31 - 来自专栏新智元
【Science】无监督式机器翻译，不需要人类干预和平行文本
因为神经网络，即一种以人脑为启发的计算机算法，自动的语言翻译取得了长足的进步。但是训练这样的网络需要大量的数据：通过数以百万计逐句对应的翻译来展示人类是如何做到这一点的。 两篇论文都聚焦另一种方法——无监督式的机器学习。首先，两项研究都分别在没有人类的帮助下构建了双语词典，也就是说，没有人会反馈给机器它们的猜测是否正确。 谷歌翻译使用有监督的方法，在同类测试上的得分是40多左右，人类水平是50分左右。但是，这些方法都比词对词的翻译要好。 作者说这些系统可以很容易地通过半监督的方式得到改进，也就是在他们的训练中增加几千个平行语料的句子。 除了能够在没有多个平行文本的语言之间进行翻译之外，Artetxe和Lample都表示，如果平行文本都是同一类型，比如新闻报道，那么它们的系统可以帮助像英文和法文这样常见的配对，但是您想要翻译新的领域的文本
79390发布于 2018-03-21 - 来自专栏活动
智能学习：无监督学习技术在自动化处理中的革新
无监督学习作为机器学习的一个重要分支，在自动化处理领域中扮演着越来越重要的角色。它不需要外部的标签信息，能够从数据本身发现模式和结构，为自动化系统提供了强大的自适应和学习能力。 本文将探讨无监督学习技术的基本原理、在自动化处理中的应用案例、面临的挑战以及未来的发展方向。I. 无监督学习技术能够在没有标签的情况下发现数据的内在结构，为自动化处理提供了新的解决方案。II. 在自动化处理中，无监督学习技术可以显著提高数据清洗的效率和准确性。 项目介绍与案例分析IV.A 项目背景以一个基于无监督学习的异常检测项目为例，该项目旨在自动识别工业生产过程中的异常情况。
59300编辑于 2024-05-10 - 来自专栏机器之心
OpenAI新研究发现无监督情感神经元：可直接调控生成文本的情感
选自OpenAI 作者：Alec Radford等 机器之心编译 参与：吴攀 近日 OpenAI 公布了一项新研究，介绍了一种可以学习情感表征的无监督式的系统，该系统可以预测亚马逊网站上评论文本中的下一个字符 无监督学习 有标注数据是当今机器学习的燃料。收集数据很简单，但大规模地标注数据则很困难。只有带来的回报值得我们努力的重要问题才值得我们为其进行标注，比如机器翻译、语音识别或自动驾驶。 长久以来，机器学习研究者都一直梦想着开发出能自己学习数据集表征的无监督学习算法，然后将其用于解决仅有少量有标注样本的任务。 我们的结果表明非常大型的下一步预测模型（next-step-prediction model）可以学习到出色的无监督表征。 这些以无监督的形式学习到的表征在 Stanford Sentiment Treebank 的二元子集上达到了当前最佳。它们也非常具有数据效率。
1.1K50发布于 2018-05-07 - 来自专栏AI科技评论
今日 Paper | 动态手势识别；领域独立无监督学习；基于BERT的在线金融文本情感分析等
目录 抓取新物体的领域独立无监督学习 动态手势识别的短时卷积网络 一种基于BERT的在线金融文本情感分析和关键实体检测方法 基于语音增强和注意力模型的鲁棒说话人识别 新时代的深度学习调参，从拒绝参数初始化看人品开始 抓取新物体的领域独立无监督学习 论文名称：Domain Independent Unsupervised Learning to grasp the Novel Objects 作者：Pharswan 这篇论文提出了一种新的无监督学习算法来选择有效抓握区域。在经过坐标对齐方法处理后，新方法应用K均值聚类方法到图像平面以识别该区域。 怎样快速而准确地从海量金融文本中挖掘有用的信息，已成为投资者与决策者的关注焦点。这篇论文提出一个基于BERT的情感分析和关键实体检测方法，用于社交媒体的金融文本挖掘和公共观点分析。 作者们在正常连接的神经网络和带有残差连接的神经网络上都进行了实验，结果表明，通过他们的方法找到好的初始值从而训练出的网络不仅可以在没有批标准化、没有残差连接的情况下获得和最好的模型相当的表现，而且也可以自动地把网络从不好的初始值里拯救出来
77220发布于 2020-02-21 - 来自专栏机器学习与生成对抗网络
继万物分割SAM之后，万物识别模型RAM来了！
Recognize Anything: A Strong Image Tagging Model 提出“识别万物模型”（Recognize Anything Model，RAM），用于图像打标签。 RAM 引入了图像打标签的一个新范式，利用大规模的图像-文本对进行训练，而不是手动标注。 开发 RAM 分为四个步骤。首先，通过自动文本语义解析获得图像标签。 随后，通过统一文本描述和打标任务进行监督训练，以原始文本和解析标签为监督来自动标注一个初步模型。第三步，使用数据引擎生成附加标注，并清除不正确的标签。 在许多基准测试上评估了 RAM 的打标能力，并观察到令人印象深刻的零样本性能，优于 CLIP 和 BLIP。 值得注意的是，RAM 甚至超过了全监督的方式，并展现出与 Google API 竞争的性能。
1.3K20编辑于 2023-08-22 - 来自专栏明明如月的技术专栏
一文读懂“生成式 AI”
机器学习中的监督学习和无监督学习 监督学习和无监督学习是机器学习中两种不同的学习方法。 监督学习是一种通过使用带有标签的训练数据来训练模型的学习方法。 监督学习适用于需要进行分类、回归和预测等任务。 无监督学习是一种在没有标签的情况下从未标记的数据中自动发现模式和结构的学习方法。 生成式 AI 的监督、半监督和无监督学习 传统的监督、无监督学习，将训练数据和标注数据喂给模型，可以作出预测、分类和聚类。 生成式 AI 的监督、半监督、无监督学习，将训练数据、打标数据和未打标数据给基础模型，然后生成新的内容，最终实现文本、代码和图片的生成。 预训练： 海量数据 数十亿参数 无监督学习 模型通过学习大量的文本数据，尝试预测下一个单词或短语。
7.2K61编辑于 2023-05-15 - 来自专栏若城技术专栏
实现文本数据数值化、方便后续进行回归分析等目的，需要对文本数据进行多标签分类和关系抽取
标签打标：由领域专家对样本数据进行标注，确定每个数据点所属的类别。 多标签分类：使用BERT模型对文本数据进行多标签分类，并借助决策树算法对分类结果进行进一步处理。 count_vectorizer = CountVectorizer() # 定义TfidfVectorizer对象 tfidf_vectorizer = TfidfVectorizer() 标签打标 标签打标是根据分类目标，对文本数据进行分类标注的过程。 基于规则的方法：通过手工编写规则集并对文本进行匹配，识别实体之间的关系。 基于机器学习的方法：使用有监督学习或者无监督学习的方法，将关系抽取建模为分类、序列标注等任务。 对于文本数据进行多标签分类和关系抽取的过程需要考虑多个方面，包括数据预处理、特征提取、标签打标、多标签分类和关系抽取。在实际应用中，需要根据具体情况进行调整和优化。
89210编辑于 2024-02-29 - 来自专栏404 Not F0und
半监督学习的思考和安全尝试
这个可以从有监督/无监督/半监督学习的角度来由果推因。 第二种方式的问题在于选取白样本的成本、代表性、时效性，选取白样本该怎么选比较好，可能的方式是自动化滤出和人工打标。 自动化滤出的白样本中可能混杂黑样本造成数据误差，人工打标成本又比较大，同时因为业务环境和业务数据的复杂多变性，可能导致这两种方式都明显存在选取的白样本是否具有代表性的问题。 ，这点优于无监督学习。 针对第三点数据挖掘，需要分析Windows恶意软件的原理和攻击模式补充安全知识，再结合安全数据进行针对性探索性数据分析，之后从统计学习角度多变量人工挖掘特征（嵌入安全知识指导），自然语言处理角度文本自动化提取特征
75120编辑于 2022-10-31 - 来自专栏SimpleAI
如何在只有词典的情况下提升NER落地效果
今天介绍一个论文autoner[1]，主要是为了探索如何在只有词典的情况下，提升NER实际落地效果； 首先，如果手中含有词典，常规操作就是远程监督打标数据，然后做NER； 远程监督一个比较常见的操作就是使用我们手中的字典 ，通过字符匹配的形式对文本中可能存在的实体打标。 LSTM后面的CRF层变为了Fuzzy CRF层，可以在处理tokens对应多标签的情况下，不牺牲计算效率； 第二个问题标签不完善，是因为字典毕竟是有限的，不可能把所有的实体都覆盖到，那么句子中没有被字典打标成功的词组很有可能也是某种实体 ，但是远程监督并没有对此做处理。 梳理一下，我们现在手上有词典； 词典包含两个部分，一部分是已知实体类型（假设是2个，当然可能更多或者更少）；另一个部分就是我们通过某种方式挖掘出来的高质量实体对应的未知类型； 然后我们通过手中的词典对原始无标注文本进行打标
1.6K10发布于 2021-02-19 - 来自专栏DataFunTalk
美团大脑百亿级知识图谱的构建及应用进展
标签知识图谱构建 标签知识图谱构建分为以下四个部分：知识抽取、关系挖掘、图谱打标和图谱应用。 最终结果显示，无监督学习在一定程度上能达到监督学习的效果，同时无监督学习+监督学习相对于监督学习效果有显著提升。 同义词判别模型设计：将两个标签词拼接到Bert模型中，通过多层语义交互获取标签。 ③ 图谱打标：如何构建标签和商户供给的关联关系？ 给定一个标签集合，通过标签及其同义词在商户UGC/团单里出现的频率，卡一个阈值从而获取候选tag-POI。 这样会出现一个问题是，即使是频率很高但不一定有关联，因此需要通过一个商户打标判别模块去过滤bad case。 商户打标考虑标签与商户、用户评论、商户Taxonomy等三个层次的信息。 多模态&多视图半监督学习策略 首先使用ReseNet对菜谱图片进行编，使用Bert模型对菜谱文本信息做编码，通过对比学习loss去学习文本和店菜的匹配信息。
2.7K02编辑于 2022-07-23 - 来自专栏大数据成长之路
一文带你硬核踏入机器学习的大门！
无监督学习就是指训练样本不依赖于打标数据的机器学习算法（自己学习）。既然是没有目标队列，也就缺少了特征环境下的最终结果，那么这样的数据可能对一些回归和分类的场景就不适合了。 相较于监督学习，无监督学习的一大好处就是不依赖于打标数据，在很多特定条件下，特别是打标数据需要依靠大量人工来获得的情况下可以尝试使用无监督学习或者半监督学习来解决问题。 上文中也提到，在一些场景下获得打标数据是很耗费资源的，但是无监督学习对于解决分类和回归这样场景的问题又有一些难度。 所以人们开始尝试通过对样本的部分打标来进行机器学习算法的使用，这种部分打标样本的训练数据的算法应用，就是半监督学习。目前很多半监督学习算法都是监督学习算法的变形。 监督学习主要解决的是分类和回归的场景，无监督学习主要解决聚类场景，半监督学习解决的是一些打标数据比较难获得的分类场景，强化学习主要是针对流程中不断需要推理的场景。
53030发布于 2021-01-27 - 来自专栏翩翩白衣少年
18K+标星！视觉AI驱动的浏览器自动化，告别XPath，无惧网页改版！
在做网页自动化的朋友，大概都有过这样的时刻： • 页面 DOM 一更新，脚本全部报废 • XPath 找不到元素，调试调到怀疑人生 • 自动化流程每隔一段时间就要打补丁修一轮 • ... 项目简介 Skyvern 是一款基于视觉大模型（VLM）驱动的网页自动化工具。 可以自动截图网页 → 让视觉模型理解布局；识别按钮、输入框、表格、交互区域；自动生成操作步骤；模拟人类点击、输入、拖拽、登录等。 即使网站布局调整、按钮换位置，它依然能完成任务。 、文本、标签、图标等 • 判断页面布局 • 理解页面意图（如登录、列表、表格、分页） • 根据任务自动规划步骤并执行 典型能力 ① 自动执行常见网页任务：对于自动化登录、后台数据下载、填写表单、批量处理网页任务 它靠“视觉 + AI”来理解页面结构，不依赖DOM，不怕改版，真正适合： • 稳定的自动化流程 • 企业级的批量任务处理 • 敏捷的场景扩展 未来网页自动化的核心不再是 XPath，而是让 AI 像人一样读网页
35310编辑于 2026-03-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号