Finjusteret Spørgsmål-Svar
Finjusteret Spørgsmål-Svar (Fine-Tuned Question Answering) tilpasser en stor forudtrænet sprogmodel — såsom BERT, RoBERTa eller en model fra GPT-familien — til at besvare naturlige sproglige spørgsmål ud fra en given kontekstpassage eller vidensbase. Modellen lærer at lokalisere svarsspænd eller generere frit formulerede svar ved at fortsætte træningen på mærkede QA-par efter generel forudtræning.
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.
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 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-question-answering
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
- Finjusteret BERT-baseret klassifikationDyb læring↔ compare
- Finetunet tekstresuméDyb 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 →