Selv-overvåget BERT-baseret Klassifikation
Selv-overvåget BERT-baseret klassifikation anvender Googles Bidirectional Encoder Representations from Transformers (BERT), som er fortrænet på massive mængder umærket tekst via masked-language modelling, og finjusterer det derefter på mærkede eksempler for at tildele tekst til kategorier. Metoden opnår konsekvent state-of-the-art nøjagtighed inden for sentimentanalyse, emneklassifikation, intention-detektion og lignende NLP-opgaver, selv med begrænsede mærkede data.
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. In Proceedings of NAACL-HLT 2019, 4171–4186. Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
- Sun, C., Qiu, X., Xu, Y., & Huang, X. (2019). How to Fine-Tune BERT for Text Classification? In China National Conference on Chinese Computational Linguistics (CCL 2019), LNCS 11856, 194–206. Springer. DOI: 10.1007/978-3-030-32381-3_16 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised BERT-based Text Classification (Pretrain then Fine-tune). ScholarGate. https://scholargate.app/da/deep-learning/self-supervised-bert-based-classification
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →