Fine-Tuned Named Entity Recognition
Fine-Tuned Named Entity Recognition passt ein vortrainiertes Sprachmodell – meist BERT oder eine seiner Varianten – an die Aufgabe der Identifizierung und Klassifizierung benannter Entitäten (Personen, Organisationen, Orte, Daten usw.) in Texten an. Durch Fine-Tuning auf einem relativ kleinen, gelabelten Korpus erzielen Praktiker eine Spitzenleistung bei der Sequenz-Labeling, ohne ein Modell von Grund auf neu trainieren zu müssen.
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.
Quellen
- 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. DOI: 10.18653/v1/N19-1423 ↗
- Lample, G., Ballesteros, M., Subramanian, S., Kawakami, K., & Dyer, C. (2016). Neural Architectures for Named Entity Recognition. Proceedings of NAACL-HLT 2016, 260–270. DOI: 10.18653/v1/N16-1030 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Fine-Tuned Named Entity Recognition (Pre-trained Language Model NER). ScholarGate. https://scholargate.app/de/deep-learning/fine-tuned-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-basierte KlassifikationDeep Learning↔ compare
- Feinabgestimmte BERT-basierte KlassifikationDeep Learning↔ compare
- Feinabgestimmte TextzusammenfassungDeep Learning↔ compare
- RoBERTa-basierte KlassifikationDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →