Siirto-oppiminen nimettyjen entiteettien tunnistuksessa (NER)
Siirto-oppiminen nimettyjen entiteettien tunnistuksessa (NER) mukauttaa suuren esikoulutetun kielimallin – kuten BERT, RoBERTa tai toimialakohtaisen enkooderin – tunnistamaan ja luokittelemaan nimettyjä entiteettejä (henkilöitä, paikkoja, organisaatioita, päivämääriä jne.) tekstistä. Uudelleenkäyttämällä massiivisista korpuksista opittuja rikkaita kielellisiä esityksiä tämä lähestymistapa vaatii vain vähäisen merkittyä NER-dataa saavuttaen samalla huippuluokan tunnistus- ja luokittelutarkkuuden.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/fi/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.
- BERT-pohjainen luokitteluSyväoppiminen↔ compare
- Hienosäädetty nimettyjen entiteettien tunnistusSyväoppiminen↔ compare
- RoBERTa-pohjainen luokitteluSyväoppiminen↔ compare
- LauseupotuksetSyväoppiminen↔ compare
- Siirto-oppiminen BERT-pohjaisella luokittelullaSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →