零样本学习 (ZSL) 通过使模型能够将文本分类到它们从未明确训练识别的类别中来改进文本分类。当标记数据稀缺或在模型部署后出现新类别时，这尤其有用。例如，在“账单”和“技术”标签上训练的客户支持单分类器可以使用 ZSL 来处理“帐户访问”问题，而无需重新训练。该模型利用文本和标签描述的语义理解来推广到未见类别，从而减少对详尽训练数据的依赖。
ZSL 的工作原理是将文本和标签描述映射到共享语义空间中。像 BERT 或 GPT 这样的预训练语言模型将输入文本和候选标签（例如，“帐户访问”或“交付延迟”）编码为数值向量。然后，模型比较文本的向量和每个标签的向量之间的相似性，以分配最相关的类别。例如，如果用户写“我无法登录我的帐户”，模型可能会根据与“登录”或“访问问题”等短语的语义重叠来关联“帐户访问”。这种方法依赖于模型在预训练期间学习的推断单词和概念之间关系的能力，而不是记忆来自标记示例的特定模式。
对于开发人员来说，ZSL 简化了分类器对新用例的适应。无需为每个新类别重新训练模型或收集标记数据，您可以动态更新候选标签的列表。像 Hugging Face 的 ZeroShotClassificationPipeline 这样的 API 让开发人员传递文本和潜在标签的列表（例如，["退款", "运输", “产品质量”]）以获得即时预测。这在快速变化的领域（如电子商务）中非常有价值，因为产品类别或客户意图类型会频繁演变。它还可以处理缺乏足够训练数据的利基或罕见标签（例如，“道德采购问题”）。虽然 ZSL 可能无法与针对明确定义的任务的微调模型的准确性相匹配，但其灵活性和效率使其成为原型设计或标记不切实际的场景的实用工具。