Transfer Learning dengan Peringkasan Teks
Transfer Learning dengan Peringkasan Teks mengadaptasi model bahasa besar yang telah dilatih sebelumnya pada korpora teks luas — seperti T5, BART, atau PEGASUS — untuk tugas meringkas dokumen menjadi ringkasan yang lebih pendek dan koheren. Dengan menggunakan kembali pengetahuan linguistik yang dipelajari dan melakukan penyempurnaan (fine-tuning) pada pasangan dokumen sumber dan ringkasan referensi yang spesifik domain, pendekatan ini mencapai kualitas peringkasan yang kuat dengan kebutuhan data berlabel yang moderat.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., Zhou, Y., Li, W., & Liu, P. J. (2020). Exploring the limits of transfer learning with a unified text-to-text transformer. Journal of Machine Learning Research, 21(140), 1–67. link ↗
- Lewis, M., Liu, Y., Goyal, N., Ghahravi, M., Mohamed, A., Chen, D., Levy, O., & Zettlemoyer, L. (2020). BART: Denoising sequence-to-sequence pre-training for natural language generation, translation, and comprehension. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 7871–7880). ACL. DOI: 10.18653/v1/2020.acl-main.703 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Neural Text Summarization. ScholarGate. https://scholargate.app/id/deep-learning/transfer-learning-with-text-summarization
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.
- Klasifikasi Berbasis BERTPembelajaran Mendalam↔ compare
- Peringkasan Teks yang Disesuaikan (Fine-Tuned)Pembelajaran Mendalam↔ compare
- Sentence EmbeddingsPembelajaran Mendalam↔ compare
- Transfer Learning dengan Named Entity RecognitionPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →