Machine learningDeep learning / NLP / CV

Sætningsindlejringer

Sætningsindlejringer konverterer en sætning eller en kort tekst til en enkelt, fast-længde tæt vektor, der indfanger dens semantiske betydning. Disse vektorer tillader downstream-opgaver — semantisk lighed, klyngedannelse, informationssøgning og klassifikation — at operere på numeriske repræsentationer i stedet for rå tekst, hvilket gør dem til en af de mest alsidige byggesten i moderne NLP-pipelines.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Sætningsindlejringer

BERT-baseret klassifikat…Long Short-Term Memory (…RoBERTa-baseret Klassifi…Emne-modellering Domæne-adaptiv BERT-base…Domæne-adaptive sætnings…Domæneadaptiv sentimenta…Domæne-adaptiv Word2Vec Forklarbar BERT-baseret…Forklarlig NMF Emne-model

+43 more

Kilder

Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3980–3990. DOI: 10.18653/v1/D19-1410 ↗
Kiros, R., Zhu, Y., Salakhutdinov, R., Zemel, R. S., Torralba, A., Urtasun, R., & Fidler, S. (2015). Skip-Thought Vectors. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗

Sådan citerer du denne side

ScholarGate. (2026, June 3). Sentence Embeddings (Dense Vector Representations of Sentences). ScholarGate. https://scholargate.app/da/deep-learning/sentence-embeddings

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
Long Short-Term Memory (LSTM)Dyb læring↔ compare
RoBERTa-baseret KlassifikationDyb læring↔ compare
Emne-modelleringDyb læring↔ compare

Compare side by side →

Refereret af

BERT-baseret klassifikation Domæne-adaptiv BERT-baseret klassifikation Domæne-adaptive sætningsindlejringer Domæneadaptiv sentimentanalyse Domæne-adaptiv Word2Vec Forklarbar BERT-baseret klassifikation Forklarlig NMF Emne-model Forklarlig Spørgsmål-Svar Forklarlig RoBERTa-baseret klassifikation Forklarlige sætningsindlejringer Forklarlig Sentimentanalyse Forklarende Tekstresumé Forklarlig emnemodellering Finjusteret BERT-baseret klassifikation Finjusteret Doc2Vec Finjusteret LDA-emnemodel Finjusteret Spørgsmål-Svar Fintunet RoBERTa-baseret klassifikation Finjusterede sætningsindlejringer Finetunet tekstresumé Finetunet emnemodellering Finjusteret Word2Vec LDA Emne-model Long Short-Term Memory (LSTM)Fler-sproglig Doc2Vec Flersprogede sætningsindlejringer Flersproget sentimentanalyse Flersproget Tekstopsummering Multilingual Transformer Multimodal Doc2Vec Multimodal RoBERTa-baseret Klassifikation Multimodal Transformer Multimodal Word2Vec NMF Emne-model RoBERTa-baseret Klassifikation Selv-overvåget LDA Emne Model Selv-superviserede sætningsindlejringer Selv-overvåget emnemodellering Selv-overvåget Transformer Semi-supervised LDA Topic Model Semi-supervised NMF Topic Model Semi-overvågede sætningsindlejringer Semi-supervised Word2Vec Emne-modellering Transfer Learning med BERT-baseret Klassifikation Transfer Learning med Named Entity Recognition Transfer Learning med Sætningsindlejringer Transferlæring med tekstresumégenerering Transfer Learning med Topic Modeling Overførsel af læring med Word2Vec Svagt superviseret LDA-emnemodel Svagt superviserede sætningsindlejringer Svagt superviseret Word2Vec

Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →

Læs hele metoden

Method map

Kilder

Sådan citerer du denne side

Relaterede metoder

Which method?

Refereret af