ScholarGate
Assistente
Machine learningDeep learning / NLP / CV

Embeddings di Frase Ottimizzati (Fine-Tuned Sentence Embeddings)

Gli Embeddings di Frase Ottimizzati adattano un codificatore di frasi pre-addestrato per scopi generali — come Sentence-BERT — a un dominio o compito specifico, continuando l'addestramento su dati testuali etichettati o appaiati provenienti da quel dominio. Gli embeddings risultanti catturano la struttura semantica specifica del dominio molto meglio dei vettori "off-the-shelf", migliorando i compiti a valle come la similarità semantica, il clustering, la classificazione e il recupero.

Apri in MethodMindIn arrivoVideoIn arrivoScarica le diapositive

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Mappa dei metodi

Il vicinato dei metodi correlati — seleziona un nodo per esplorare.

Fonti

  1. Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3982–3992. DOI: 10.18653/v1/D19-1410
  2. Reimers, N., & Gurevych, I. (2020). Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 4512–4525. DOI: 10.18653/v1/2020.emnlp-main.365

Come citare questa pagina

ScholarGate. (2026, June 3). Fine-Tuned Sentence Embeddings (Domain-Adapted Sentence Representation Learning). ScholarGate. https://scholargate.app/it/deep-learning/fine-tuned-sentence-embeddings

Quale metodo?

Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.

Confronta affiancati

Citato da

ScholarGateFine-Tuned Sentence Embeddings (Fine-Tuned Sentence Embeddings (Domain-Adapted Sentence Representation Learning)). Consultato il 2026-06-15 da https://scholargate.app/it/deep-learning/fine-tuned-sentence-embeddings · Insieme di dati: https://doi.org/10.5281/zenodo.20539026