Selv-superviseret navngiven enhedsgenkendelse
Selv-superviseret navngiven enhedsgenkendelse (NER) kombinerer storskala selv-superviseret fortræning — såsom maskeret sprogmodellering — med finjustering på tokenniveau for at identificere og klassificere navngivne enheder i tekst. Ved at lære generelle sproglige repræsentationer, før der ses nogen enhedsmærkater, opnår modellen stærk ydeevne, selv når annoteret NER-træningsdata er knappe.
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. link ↗
- Lample, G., Ballesteros, M., Subramanian, S., Kawakami, K., & Dyer, C. (2016). Neural Architectures for Named Entity Recognition. Proceedings of NAACL-HLT 2016, 260–270. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Named Entity Recognition. ScholarGate. https://scholargate.app/da/deep-learning/self-supervised-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.
- Few-shot LearningMaskinlæring↔ compare
- Navngiven enhedsgenkendelse (NER)Tekstmining↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →