التعلم بالنقل مع التعرف على الكيانات المسماة
يتكيف التعلم بالنقل مع التعرف على الكيانات المسماة (NER) مع نموذج لغوي كبير مدرب مسبقًا — مثل BERT أو RoBERTa أو مشفر خاص بالمجال — لمهمة تحديد وتصنيف الكيانات المسماة (الأشخاص والمواقع والمؤسسات والتواريخ وما إلى ذلك) في النص. من خلال إعادة استخدام التمثيلات اللغوية الغنية التي تم تعلمها من مجموعات ضخمة، يتطلب هذا النهج بيانات NER مصنفة متواضعة فقط مع تحقيق دقة متطورة في اكتشاف وتصنيف النطاقات.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/ar/deep-learning/transfer-learning-with-named-entity-recognition
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- تصنيف قائم على BERTالتعلم العميق↔ compare
- التعرف على الكيانات المسماة المُحسَّنة بدقةالتعلم العميق↔ compare
- تصنيف قائم على RoBERTaالتعلم العميق↔ compare
- تضمينات الجملالتعلم العميق↔ compare
- تعلم النقل بالتصنيف المعتمد على BERTالتعلم العميق↔ compare