课程内容
我有话说
1/1 基于文本向量 jina-embeddings-v3 实现零样本分类
解决传统文本分类必须预先定义标签、攒大量标注、一改标签就要重训的痛点，介绍一种不训练模型即可分类的新思路。文章说明如何用文本向量把句子和类别都映射到同一语义空间，靠相似度打分完成归类，并由此支持动态新增标签和多标签判断。适合需要快速搭建灵活分类器的开发者，读完能零样本地应对标签频繁变动的业务，省去反复标注和训练的成本。
本课程通过向量编码与余弦相似度计算，讲解零样本文本分类原理，解决无标注下动态标签与多标签分类，帮助学习者搭建文本分类器。
解决传统文本分类必须预先定义标签、攒大量标注、一改标签就要重训的痛点，介绍一种不训练模型即可分类的新思路。文章说明如何用文本向量把句子和类别都映射到同一语义空间，靠相似度打分完成归类，并由此支持动态新增标签和多标签判断。适合需要快速搭建灵活分类器的开发者，读完能零样本地应对标签频繁变动的业务，省去反复标注和训练的成本。
49 分钟 本课程通过滑动窗口构造样本，讲解word2vec的Skip-Gram与CBOW结构，解决词袋高维稀疏难表语义，帮助建立词向量认知。
1 小时 12 分钟 本课程用示例讲解 std::async 异步与延迟任务，解决主线程阻塞等待耗时，帮助学习者用 future 取结果，提升并发能力。
推荐 1 小时 33 分钟 本课程通过阻塞引入事件循环，讲解 asyncio 协程与 Future，解决 I/O 密集 CPU 空转，帮助学习者写高并发代码。