Riconoscimento di Entità Nominate con Fine-Tuning
Il Riconoscimento di Entità Nominate con Fine-Tuning (Fine-Tuned Named Entity Recognition) adatta un modello linguistico pre-addestrato — più comunemente BERT o uno dei suoi derivati — al compito di identificare e classificare entità nominate (persone, organizzazioni, luoghi, date, ecc.) all'interno di un testo. Attraverso il fine-tuning su un corpus etichettato relativamente piccolo, i professionisti ottengono prestazioni all'avanguardia nell'etichettatura di sequenze senza dover addestrare un modello da zero.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
- Lample, G., Ballesteros, M., Subramanian, S., Kawakami, K., & Dyer, C. (2016). Neural Architectures for Named Entity Recognition. Proceedings of NAACL-HLT 2016, 260–270. DOI: 10.18653/v1/N16-1030 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Fine-Tuned Named Entity Recognition (Pre-trained Language Model NER). ScholarGate. https://scholargate.app/it/deep-learning/fine-tuned-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.
- Classificazione basata su BERTApprendimento profondo↔ compare
- Classificazione basata su BERT fine-tunedApprendimento profondo↔ compare
- Riassunto di Testi con Fine-TuningApprendimento profondo↔ compare
- Classificazione basata su RoBERTaApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →