Transfer Learning med Named Entity Recognition
Transfer Learning med Named Entity Recognition (NER) tilpasser en stor forudtrænet sprogmodel — såsom BERT, RoBERTa eller en domænespecifik encoder — til opgaven med at identificere og klassificere navngivne enheder (personer, lokationer, organisationer, datoer osv.) i tekst. Ved at genbruge rige sproglige repræsentationer, der er lært fra massive korpora, kræver denne tilgang kun beskedne annoterede NER-data, mens den opnår state-of-the-art præcision inden for spændedetektion og klassifikation.
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 (pp. 4171–4186). Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/da/deep-learning/transfer-learning-with-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.
- BERT-baseret klassifikationDyb læring↔ compare
- Finjusteret Named Entity RecognitionDyb læring↔ compare
- RoBERTa-baseret KlassifikationDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
- Transfer Learning med BERT-baseret KlassifikationDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →