Ar smalku noskaņošanu precizēta nosaukto entitāšu atpazīšana
Ar smalku noskaņošanu precizēta nosaukto entitāšu atpazīšana pielāgo iepriekš apmācītu valodu modeli — visbiežāk BERT vai kādu no tā atvasinājumiem — uzdevumam identificēt un klasificēt nosauktās entitātes (personas, organizācijas, atrašanās vietas, datumus u.c.) tekstā. Smalki noskaņojot uz salīdzinoši neliela iezīmēta korpusa, praktiķi sasniedz vismodernāko sekvenču marķēšanas veiktspēju, neapmācot modeli no nulles.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fine-Tuned Named Entity Recognition (Pre-trained Language Model NER). ScholarGate. https://scholargate.app/lv/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.
- BERT klasifikācijaDziļā mācīšanās↔ compare
- Klasifikācija, kas pielāgota ar BERTDziļā mācīšanās↔ compare
- Teksta kopsavilkumu precizēšanaDziļā mācīšanās↔ compare
- Klasifikācija, kas balstīta uz RoBERTaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →