Αναγνώριση Ονομαστικών Οντοτήτων με Αυτο-επιβλεπόμενη Μάθηση
Η αναγνώριση ονομαστικών οντοτήτων (NER) με αυτο-επιβλεπόμενη μάθηση συνδυάζει μεγάλης κλίμακας αυτο-επιβλεπόμενη προ-εκπαίδευση — όπως η γλωσσική μοντελοποίηση με μάσκα (masked language modeling) — με λεπτομερή ρύθμιση σε επίπεδο διακριτικού (token-level fine-tuning) για τον εντοπισμό και την ταξινόμηση ονομαστικών οντοτήτων σε κείμενο. Μαθαίνοντας γενικές γλωσσικές αναπαραστάσεις πριν από την εμφάνιση οποιωνδήποτε ετικετών οντοτήτων, το μοντέλο επιτυγχάνει ισχυρή απόδοση ακόμα και όταν τα σχολιασμένα δεδομένα εκπαίδευσης NER είναι σπάνια.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Self-supervised Named Entity Recognition. ScholarGate. https://scholargate.app/el/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.
- Εκμάθηση με λίγα δείγματαΜηχανική Μάθηση↔ compare
- Αναγνώριση Ονομαστικών Οντοτήτων (NER)Εξόρυξη Κειμένου↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →