返回信息流想做商品分类,奈何种类太多，无法穷举，单纯的单分类训练容易过拟合．
所以想借鉴one shot learning的思路，对于没有出现的种类．这样网络会输出属性，而不是最后的分类．
这里，有几个问题请教下：
１，word2vec，对于没有的词，这个还要自己训练么，比如里面有fish,而没有aroma fish bas(鲈鱼) ,那这样的词条输出我得自己训练吧？
２，最后对于输入的图片，输出是300维的vector，那么这个vector如何对应到新的词上，这个该如何定义啊?
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #33847同步于 2019/4/23
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
zero shot learning
xiaqing10
2019/4/23镜像同步5 回复
订阅后，新回复会通过你的通知中心匿名送达。
5 条回复
感谢指导． 有细粒度推荐的资料吗，我就是觉得商品种类太多，无法列举，才想到用zero shot，不然每次出现新的商品和训练集差别很大～
【 在 Viredery 的大作中提到: 】
: 哈？不应该是细粒度分类问题嘛？
: 不过，你的问题
: 1. 需要训
: ...................
细粒度我也不懂，而且细粒度确实解决不了测试集中出现新的类别的问题。前段时间Kaggle上有个细粒度的比赛，根据鲸鱼尾巴识别鲸鱼种类的？可以参考下前几名的方案？
【 在 xiaqing10 的大作中提到: 】
: 感谢指导． 有细粒度推荐的资料吗，我就是觉得商品种类太多，无法列举，才想到用zero shot，不然每次出现新的商品和训练集差别很大～
: