文本分类相关 AI 资讯 · AI 热点

7月14日

12:16

12:16

官方账号arXiv cs.LG@Esteban U. Vega Barajas

该研究基于一个此前提出的教学评价反馈分类协议，该协议使用2019年的冻结嵌入在西班牙语语料上取得良好效果。研究者在三个表示世代（稀疏词特征、冻结Transformer嵌入、提示大语言模型）上重新测试，并将情感分类任务迁移到英语（使用45,000条评论的平衡语料与方面标注数据集对比）。结果显示，2026年的前沿模型在西班牙语最难任务上取得最高主题F1分数，但情感任务上没有对廉价模型表现出优势；模型选择成为部署决策而非方法属性。

论文文本分类教学反馈跨语言迁移

推荐理由：这篇论文验证了旧的教学反馈分类协议是否还能用，发现即使用最新的LLM也不一定有优势，选什么模型看预算就行。

7月9日

09:39

09:39

官方账号arXiv cs.LG@Ana Schwengber Kelm, Christian Bockermann, Jörg Frochte

该论文将CVE到CWE映射视为文本分类任务，比较了多类（每CVE预测一个CWE）和多标签（允许多个CWE）两种公式。在三个编码器（BERT Base、SecureBERT、CySecBERT）和三个嵌套标签空间（83、47、25类）上评估，多类训练在所有设置中macro-F1更高，但差距从21个百分点缩小至2个百分点。后处理阈值优化在25类设置中弥补了差距。混淆分析显示，主要错误模式遵循CWE层次结构，且三个编码器间高度相关（Pearson r>0.92），表明错误结构主要由分类体系设计而非编码器选择驱动。层次放松评估将macro-F1从约81%提升至约90%，表明严格指标低估了分支级分类质量。CySecBERT在多数设置中取得最强结果。

论文 CVE CWE BERT

推荐理由：这篇论文用三种BERT模型对比了多类和多标签的漏洞分类效果，发现错误更多来自CWE层次结构而非模型选择，对安全领域做文本分类的人很有参考价值。

5月15日

11:22

11:22

官方账号arXiv cs.LG@E. O. Rodrigues, D. Casanova, M. Teixeira, V. Pegorini, F. Favarim, E. Clua, A. Conci, Panos Liatsis

精选

该论文将视觉计算领域的共现矩阵（COM）和游程长度矩阵（RLM）特征改编用于通用字符串（单词、短语、代码、文本）的相似度计算。这些特征纯统计且不依赖语言信息，适用于任何语言或语法结构。实验表明，在合成数据集上，COM和RLM特征优于最长公共子序列、编辑距离等传统统计方法；在3/4的案例中，其统计显著性显著高于基于距离的第二佳方法（P值<0.001）。在真实文本抄袭数据集上，RLM特征取得了最佳结果。

论文字符串相似度共现矩阵游程长度矩阵

推荐理由：做文本相似度、抄袭检测或代码比对的开发者，可以关注这种不依赖语言的新统计特征——它比传统方法更鲁棒，且直接可用。