Tanya Jawab yang Disesuaikan (Fine-Tuned Question Answering)
Tanya Jawab yang Disesuaikan mengadaptasi model bahasa besar yang telah dilatih sebelumnya — seperti BERT, RoBERTa, atau model keluarga GPT — untuk menjawab pertanyaan bahasa alami atas sebuah bagian konteks atau basis pengetahuan yang diberikan. Model ini belajar untuk menemukan rentang jawaban atau menghasilkan jawaban bebas dengan melanjutkan pelatihan pada pasangan Tanya Jawab berlabel setelah pra-pelatihan tujuan umum.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/id/deep-learning/fine-tuned-question-answering
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Klasifikasi Berbasis BERTPembelajaran Mendalam↔ bandingkan
- Klasifikasi Berbasis BERT yang Di-fine-tunePembelajaran Mendalam↔ bandingkan
- Peringkasan Teks yang Disesuaikan (Fine-Tuned)Pembelajaran Mendalam↔ bandingkan
- Klasifikasi Berbasis RoBERTaPembelajaran Mendalam↔ bandingkan
- Sentence EmbeddingsPembelajaran Mendalam↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →