Finjusteret BERT-baseret klassifikation
Finjusteret BERT-baseret klassifikation tilpasser en forudtrænet BERT-transformer til en specifik tekstklassifikationsopgave ved at tilføje et letvægts output-lag og fortsætte gradientbaseret træning på mærkede eksempler. Den opnår konsekvent nær-state-of-the-art nøjagtighed på sentimentanalyse, emnekategorisering, hensigtsgenkendelse og andre NLP-klassifikationsopgaver med relativt små mærkede datasæt.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Kilder
- 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 ↗
- Sun, C., Qiu, X., Xu, Y., & Huang, X. (2019). How to Fine-Tune BERT for Text Classification? Proceedings of CCL 2019, LNCS 11856, 194–206. DOI: 10.1007/978-3-030-32381-3_16 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned BERT-based Text Classification. ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-bert-based-classification
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.
- BERT-baseret klassifikationDyb læring↔ compare
- Fintunet RoBERTa-baseret klassifikationDyb læring↔ compare
- Fintunet TransformerDyb læring↔ compare
- RoBERTa-baseret KlassifikationDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →