Pembelajaran Pemindahan dengan Pengenalan Entiti Bernama
Pembelajaran Pemindahan dengan Pengenalan Entiti Bernama (NER) menyesuaikan model bahasa pra-latih yang besar — seperti BERT, RoBERTa, atau pengekod khusus domain — kepada tugasan mengenal pasti dan mengklasifikasikan entiti bernama (orang, lokasi, organisasi, tarikh, dll.) dalam teks. Dengan menggunakan semula perwakilan linguistik kaya yang dipelajari daripada korpus besar, pendekatan ini hanya memerlukan data NER berlabel yang sederhana sambil mencapai ketepatan pengesanan dan pengelasan rentang peringkat terbaharu.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
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 memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/ms/deep-learning/transfer-learning-with-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.
- Klasifikasi Berasaskan BERTPembelajaran Mendalam↔ compare
- Pengecilan Model Terperinci untuk Pengenalan Entiti BernamaPembelajaran Mendalam↔ compare
- Klasifikasi Berasaskan RoBERTaPembelajaran Mendalam↔ compare
- Penyematan AyatPembelajaran Mendalam↔ compare
- Pembelajaran Pemindahan dengan Klasifikasi Berasaskan BERTPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →