Reconeixement d'Entitats Amb Nom Ajustat
El Reconeixement d'Entitats Amb Nom Ajustat (Fine-Tuned Named Entity Recognition) adapta un model de llenguatge pre-entrenat —més comunament BERT o una de les seves derivacions— a la tasca d'identificar i classificar entitats amb nom (persones, organitzacions, ubicacions, dates, etc.) en text. Mitjançant l'ajust fi (fine-tuning) en un corpus etiquetat relativament petit, els professionals aconsegueixen un rendiment d'etiquetatge de seqüència d'última generació sense haver d'entrenar un model des de zero.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186. DOI: 10.18653/v1/N19-1423 ↗
- Lample, G., Ballesteros, M., Subramanian, S., Kawakami, K., & Dyer, C. (2016). Neural Architectures for Named Entity Recognition. Proceedings of NAACL-HLT 2016, 260–270. DOI: 10.18653/v1/N16-1030 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Fine-Tuned Named Entity Recognition (Pre-trained Language Model NER). ScholarGate. https://scholargate.app/ca/deep-learning/fine-tuned-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.
- Classificació basada en BERTAprenentatge profund↔ compare
- Classificació basada en BERT amb ajustament fiAprenentatge profund↔ compare
- Resum de text amb ajustament fiAprenentatge profund↔ compare
- Classificació basada en RoBERTaAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →