طبقهبندی مبتنی بر BERT خودنظارتی
طبقهبندی مبتنی بر BERT خودنظارتی از مدل رمزگذار دوطرفه نمایشهای ترانسفورمر (BERT) گوگل استفاده میکند که بر روی حجم عظیمی از متن بدون برچسب از طریق مدلسازی زبان ماسکشده پیشآموزش دیده است و سپس برای تخصیص متن به دستهها، آن را بر روی مثالهای برچسبدار تنظیم دقیق (fine-tune) میکند. این روش حتی با دادههای برچسبدار محدود، به طور مداوم دقت پیشرفتهای را در تحلیل احساسات، طبقهبندی موضوع، تشخیص قصد و وظایف مشابه پردازش زبان طبیعی (NLP) به دست میآورد.
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. In Proceedings of NAACL-HLT 2019, 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), LNCS 11856, 194–206. Springer. DOI: 10.1007/978-3-030-32381-3_16 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Self-supervised BERT-based Text Classification (Pretrain then Fine-tune). ScholarGate. https://scholargate.app/fa/deep-learning/self-supervised-bert-based-classification
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →