Transfer Learning dengan Named Entity Recognition
Transfer Learning dengan Named Entity Recognition (NER) mengadaptasi model bahasa besar yang telah dilatih sebelumnya — seperti BERT, RoBERTa, atau encoder spesifik domain — untuk tugas mengidentifikasi dan mengklasifikasikan entitas bernama (orang, lokasi, organisasi, tanggal, dll.) dalam teks. Dengan menggunakan kembali representasi linguistik kaya yang dipelajari dari korpus masif, pendekatan ini hanya membutuhkan data NER berlabel yang sederhana sambil mencapai akurasi deteksi dan klasifikasi rentang (span) yang mutakhir.
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. 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/id/deep-learning/transfer-learning-with-named-entity-recognition
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
- Pengenalan Entitas Bernama yang DisesuaikanPembelajaran Mendalam↔ bandingkan
- Klasifikasi Berbasis RoBERTaPembelajaran Mendalam↔ bandingkan
- Sentence EmbeddingsPembelajaran Mendalam↔ bandingkan
- Transfer Learning dengan Klasifikasi Berbasis BERTPembelajaran Mendalam↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →