Selbstüberwachte Sentimentanalyse
Die selbstüberwachte Sentimentanalyse kombiniert ein großskaliges unüberwachtes Vortraining – mittels Aufgaben wie maskiertem Sprachmodellieren oder kontrastiver Vorhersage – mit einem Fine-Tuning auf einem kleinen gelabelten Sentiment-Korpus. Dieser Ansatz, populär gemacht durch BERT und seine Varianten, reduziert den Bedarf an manuell gelabelten Daten drastisch, während er gleichzeitig modernste Genauigkeit bei der Klassifikation von positiven/negativen/neutralen Meinungen erreicht.
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. 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), pp. 194–206. Springer. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Learning for Sentiment Analysis. ScholarGate. https://scholargate.app/de/deep-learning/self-supervised-sentiment-analysis
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.
- TextklassifizierungText Mining↔ compare
- Transfer LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →