Selbstüberwachte Erkennung benannter Entitäten
Selbstüberwachte Erkennung benannter Entitäten (NER) kombiniert groß angelegte selbstüberwachte Vortrainierung – wie z. B. Masked Language Modeling – mit Token-Level-Feinabstimmung zur Identifizierung und Klassifizierung benannter Entitäten in Texten. Durch das Erlernen allgemeiner linguistischer Repräsentationen vor dem Sehen von Entitäts-Labels erzielt das Modell auch bei knappen annotierten NER-Trainingsdaten eine starke Leistung.
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. 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Named Entity Recognition. ScholarGate. https://scholargate.app/de/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 LearningMaschinelles Lernen↔ compare
- Benannte Entitätenerkennung (NER)Text Mining↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →