Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Szövegosztályozás beágyazásokkal

17. lecke 22 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Célok
  2. Zero-shot osztályozás
  3. Few-shot osztályozás
  4. Könnyűsúlyú felügyelt osztályozó
  5. Megközelítések összehasonlítása
  6. Főbb megállapítások

Célok

  • Szöveg osztályozása modell betanítása nélkül
  • Zero-shot és few-shot osztályozás megvalósítása beágyazások használatával
  • Teljesítmény összehasonlítása egy könnyűsúlyú felügyelt osztályozóval

Zero-shot osztályozás

A szemantikus keresés ezer számú jelölt közül talál a lekérdezéshez hasonló dokumentumokat. Az osztályozás megfordítja ezt a felállást anélkül, hogy megváltoztatná az alapvető mechanizmust: a „dokumentumaid“ most a kategóriáid (öt vagy tíz darab), a „lekérdezés“ pedig a szöveg, amelyet osztályozni szeretnél. Annak a címkének a beágyazása lesz az előrejelzés, amelyik a legközelebb található. Nincs betanítás, nincs annotált adat, csupán egyetlen API-hívás szükséges.

Az alábbi kódban két megvalósítási részlet érdemel figyelmet. Először is, a szöveg és a kategórianevek egyetlen embeddings.create hívásba kerülnek, ami a címkék számával arányosan csökkenti a késleltetést. Másodszor, a hasonlósági pontszámokra alkalmazott szoftmax függvény a nyers értékeket (amelyek jellemzően 0,3 és 0,5 között mozognak) 1-re összegződő valószínűségekké alakítja. Ezeket a valószínűségeket megjelenítheted a felhasználónak, vagy összehasonlíthatod egy megbízhatósági küszöbértékkel.

from openai import OpenAI
import numpy as np

client = OpenAI()

def classifier_zero_shot(
    texte: str,
    categories: list[str],
    model: str = "text-embedding-3-large"
) -> dict:
    """Classifies text into categories without training."""
    # Embeddings for categories
    all_inputs = [texte] + categories
    response = client.embeddings.create(
        input=all_inputs,
        model=model
    )
    embs = [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
    texte_emb = np.array(embs[0])
    cat_embs = np.array(embs[1:])

    # Similarity with each category
    scores = cat_embs @ texte_emb

    # Softmax to get probabilities
    exp_scores = np.exp(scores - np.max(scores))
    probas = exp_scores / exp_scores.sum()

    resultats = sorted(
        zip(categories, probas),
        key=lambda x: x[1], reverse=True
    )

    return {
        "prediction": resultats[0][0],
        "confiance": float(resultats[0][1]),
        "scores": {cat: float(p) for cat, p in resultats}
    }

# Usage
texte = "Le cours de l'action a chuté de 15% après l'annonce"
categories = ["Finance", "Sport", "Technologie", "Politique", "Santé"]

resultat = classifier_zero_shot(texte, categories)
print(f"Prédiction : {resultat['prediction']} "
      f"({resultat['confiance']:.1%})")
print("Scores :", resultat["scores"])

Ebben a példában a „a részvényárfolyam 15%-ot esett a bejelentés után“ szöveg meglepetés nélkül a Pénzügy kategóriába kerül. A megközelítés akkor ütközik korlátba, ha a kategóriák belső címkék, amelyek neve semmit nem árul el a tartalmukról. Egy olyan címke, mint a „P1“ vagy a „2. szintű eszkaláció“, nem hordoz kiaknázható szemantikai jelentést, így az osztályozás lényegében véletlenszerű lesz.

Few-shot osztályozás

Pont ezt javítja ki a few-shot osztályozás. Ahelyett, hogy egy kategóriát a nevével reprezentálnál, néhány valós példánnyal képzett súlyponttal (centrummal) teszed ezt. A „hiba“ kategória többé nem a „hiba“ szó, hanem az „az alkalmazás induláskor összeomlik“, „500-as hiba a bejelentkezési oldalon“ és „a gomb nem működik mobilon“ beágyazásainak átlaga. Osztályonként általában három-öt példa is elegendő, és a költség továbbra is egyetlen API-hívásnak felel meg, mivel az összes szöveget együtt küldjük el.

def classifier_few_shot(
    texte: str,
    exemples: dict[str, list[str]],
    model: str = "text-embedding-3-large"
) -> dict:
    """Classifies by similarity to labeled examples.

    Args:
        exemples: {"category": ["example1", "example2", ...]}
    """
    # Prepare all texts
    tous_textes = [texte]
    mapping = []
    for cat, txts in exemples.items():
        for t in txts:
            tous_textes.append(t)
            mapping.append(cat)

    # Embeddings in a single call
    response = client.embeddings.create(
        input=tous_textes, model=model
    )
    embs = [d.embedding for d in sorted(response.data, key=lambda x: x.index)]
    texte_emb = np.array(embs[0])

    # Average embeddings per category
    cat_embeddings = {}
    for i, cat in enumerate(mapping):
        emb = np.array(embs[i + 1])
        if cat not in cat_embeddings:
            cat_embeddings[cat] = []
        cat_embeddings[cat].append(emb)

    cat_moyennes = {
        cat: np.mean(embs_list, axis=0)
        for cat, embs_list in cat_embeddings.items()
    }

    # Similarity
    scores = {
        cat: float(np.dot(texte_emb, emb_moy) /
                    (np.linalg.norm(texte_emb) * np.linalg.norm(emb_moy)))
        for cat, emb_moy in cat_moyennes.items()
    }

    prediction = max(scores, key=scores.get)
    return {"prediction": prediction, "scores": scores}

# Usage
exemples = {
    "bug": [
        "L'application crash au démarrage",
        "Erreur 500 sur la page de connexion",
        "Le bouton ne fonctionne pas sur mobile",
    ],
    "feature": [
        "Pourriez-vous ajouter un mode sombre ?",
        "Il serait utile d'exporter en PDF",
        "Suggestion : intégrer un calendrier",
    ],
    "question": [
        "Comment changer mon mot de passe ?",
        "Où trouver les paramètres de notification ?",
        "Quelle est la limite de stockage ?",
    ],
}

texte = "L'export CSV ne contient pas toutes les colonnes"
resultat = classifier_few_shot(texte, exemples)
print(f"Catégorie : {resultat['prediction']}")

A teszt jegy – „a CSV exportból hiányoznak az oszlopok“ – nem tartalmazza sem a „hiba“, sem a „hibaüzenet“ szót, de hasonlít a megadott három hibás működésre vonatkozó példára, így oda kerül besorolásra. Ne feledd, hogy a beágyazások átlagolása homogén kategóriát feltételez. Ha a „kérdés“ példáid vegyítik a számlázással kapcsolatos érdeklődéseket az API kérdésekkel, akkor a súlypontjuk szemantikai senkiföldjére kerül. Ilyen esetben jobb szétválasztani a kategóriát.

Könnyűsúlyú felügyelt osztályozó

Ha osztályonként több tucatnyi példád van, az átlagolás információpazarlás: ellapítja a pontfelhő alakját. Egy ugyanazon beágyazásokon betanított lineáris osztályozó ehelyett egy döntési határt tanul meg. A beágyazás végzi a nyelvi megértést, míg a LogisticRegression csupán egy geometriai vonalat húz ebben a térben. Ennek eredményeként a betanítási idő néhány másodperc egy szabványos CPU-n, szemben egy nyelvi modell finomhangolásával, amelyhez GPU szükséges.

Az ötszörös kereszthitelesítés (five-fold cross-validation) nem csak a show kedvéért van. Megadja a pontosság szórását, így képet kapsz arról, mennyire megbízható a becslésed. A 0,91 ± 0,02-es pontszám használható; a 0,91 ± 0,15 viszont túl kicsi vagy kiegyensúlyozatlan adathalmazra utal.

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
import numpy as np

def entrainer_classifieur(
    textes: list[str],
    labels: list[str],
    model: str = "text-embedding-3-large"
) -> LogisticRegression:
    """Trains a classifier on embeddings."""
    # Generate embeddings
    response = client.embeddings.create(
        input=textes, model=model
    )
    X = np.array([d.embedding for d in sorted(response.data, key=lambda x: x.index)])

    # Train a classifier
    clf = LogisticRegression(max_iter=1000)
    
    # Cross-validation
    scores = cross_val_score(clf, X, labels, cv=5)
    print(f"Accuracy (5-fold CV) : {scores.mean():.3f} ± {scores.std():.3f}")

    # Train on the full dataset
    clf.fit(X, labels)
    return clf

def predire(clf, texte: str, model: str = "text-embedding-3-large") -> str:
    """Predicts the category of a text."""
    emb = client.embeddings.create(
        input=texte, model=model
    ).data[0].embedding
    return clf.predict([emb])[0]

Megközelítések összehasonlítása

MegközelítésSzükséges példákPontosságKésleltetés
Zero-shot0~70-80%1 API-hívás
Few-shot (3-5/osztály)15-25~80-90%1 API-hívás
Felügyelt (50+/osztály)250+~90-95%1 API-hívás + következtetés

Ezt a három sort sorrendben olvasva egy olyan fejlődési ívet kapsz, amelyet a termék életciklusa során követhetsz. Kezdj a zero-shot módszerrel az első napon, amikor még nincs is adatod. Miután manuálisan kijavítottál húsz körüli előrejelzést, használd fel őket few-shot példaként. Amikor az annotált mennyiség osztályonként meghaladja az ötvenet, tanítsd be a felügyelt osztályozót. Ne feledd, hogy a „késleltetés“ sor arra emlékeztet: még a felügyelt modell is gyors marad; a helyi következtetés elhanyagolható többletterhet jelent a beágyazási API-híváshoz képest.

Főbb megállapítások

  • A zero-shot osztályozás a szöveget a címkékhez hasonlítja beágyazások segítségével
  • A few-shot példák használatával definiálja az egyes kategóriákat
  • Egy felügyelt osztályozó (LogisticRegression) éri el a legjobb teljesítményt
  • Kezdj zero-shot módszerrel, majd adj hozzá példákat, ha a pontosság nem kielégítő