یادگیری انتقالی با تشخیص موجودیت نامدار
یادگیری انتقالی با تشخیص موجودیت نامدار (NER) یک مدل زبان بزرگ از پیش آموزشدیده — مانند BERT، RoBERTa، یا یک رمزگذار خاص دامنه — را برای وظیفه شناسایی و طبقهبندی موجودیتهای نامدار (اشخاص، مکانها، سازمانها، تاریخها و غیره) در متن تطبیق میدهد. با استفاده مجدد از نمایشهای زبانی غنی آموختهشده از مجموعههای متنی عظیم، این رویکرد تنها به دادههای NER برچسبدار اندکی نیاز دارد و در عین حال به دقت پیشرفته در تشخیص و طبقهبندی بازهها دست مییابد.
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 (pp. 4171–4186). Association for Computational Linguistics. DOI: 10.18653/v1/N19-1423 ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/fa/deep-learning/transfer-learning-with-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.
- طبقهبندی مبتنی بر بِرْتیادگیری عمیق↔ compare
- Fine-Tuned Named Entity Recognitionیادگیری عمیق↔ compare
- طبقهبندی مبتنی بر RoBERTaیادگیری عمیق↔ compare
- تعبیههای جملهیادگیری عمیق↔ compare
- یادگیری انتقالی مبتنی بر طبقهبندی با BERTیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →