Reconnaissance d'entités nommées auto-supervisée
La reconnaissance d'entités nommées (NER) auto-supervisée combine le pré-entraînement auto-supervisé à grande échelle — tel que la modélisation de langage masqué — avec un réglage fin au niveau des tokens pour identifier et classifier les entités nommées dans le texte. En apprenant des représentations linguistiques générales avant de voir des étiquettes d'entités, le modèle atteint de fortes performances même lorsque les données d'entraînement NER annotées sont rares.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Named Entity Recognition. ScholarGate. https://scholargate.app/fr/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.
- Apprentissage à peu d'exemplesApprentissage automatique↔ compare
- Reconnaissance d'entités nommées (REN)Fouille de textes↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →