BERT-basierte Klassifikation
BERT-basierte Klassifikation verfeinert Googles Bidirectional Encoder Representations from Transformers (BERT)-Modell auf einem gelabelten Textdatensatz, indem der generische vortrainierte Kopf durch eine aufgabenspezifische Klassifikationsschicht ersetzt wird. Sie nutzt tiefe bidirektionale Kontexte aus Hunderten von Millionen vortrainierter Parameter, um Spitzenleistungen bei der Klassifikation von kurzen und mittellangen Texten mit relativ geringen Mengen an gelabelten Daten zu erzielen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+60 more
Quellen
- 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 ↗
- 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), Lecture Notes in Computer Science, vol 11856, pp. 194–206. Springer. DOI: 10.1007/978-3-030-32381-3_16 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bidirectional Encoder Representations from Transformers for Text Classification. ScholarGate. https://scholargate.app/de/deep-learning/bert-based-classification
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.
- Long Short-Term Memory (LSTM)Deep Learning↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
- RoBERTa-basierte KlassifikationDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →