پاسخگویی به پرسش با تنظیم دقیق
پاسخگویی به پرسش با تنظیم دقیق (Fine-Tuned Question Answering) یک مدل زبان بزرگ از پیش آموزشدیده — مانند BERT، RoBERTa، یا مدلی از خانواده GPT — را برای پاسخگویی به پرسشهای زبان طبیعی بر روی یک متن زمینه یا پایگاه دانش معین، تطبیق میدهد. این مدل با ادامهی آموزش بر روی جفتهای پرسش و پاسخ برچسبدار پس از پیشآموزش عمومی، یاد میگیرد که بازههای پاسخ را پیدا کند یا پاسخهای آزاد تولید کند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/fa/deep-learning/fine-tuned-question-answering
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.
- طبقهبندی مبتنی بر بِرْتیادگیری عمیق↔ compare
- طبقهبندی مبتنی بر BERT تنظیمشده دقیقیادگیری عمیق↔ compare
- خلاصهسازی متن با تنظیم دقیق (Fine-Tuned Text Summarization)یادگیری عمیق↔ compare
- طبقهبندی مبتنی بر RoBERTaیادگیری عمیق↔ compare
- تعبیههای جملهیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →