BERT-gebaseerde Classificatie
BERT-gebaseerde Classificatie fine-tuned het Bidirectional Encoder Representations from Transformers (BERT) model van Google op een gelabelde tekstdataset, waarbij de generieke vooraf getrainde kop wordt vervangen door een taakspecifieke classificatielaag. Het benut diepe bidirectionele context van honderden miljoenen vooraf getrainde parameters om state-of-the-art nauwkeurigheid te leveren op korte en middellange tekstclassificatietaken met relatief bescheiden hoeveelheden gelabelde data.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+60 more
Bronnen
- 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 ↗
- Sun, C., Qiu, X., Xu, Y., & Huang, X. (2019). How to Fine-Tune BERT for Text Classification? In China National Conference on Chinese Computational Linguistics (CCL 2019), Lecture Notes in Computer Science, vol 11856, pp. 194–206. Springer. DOI: 10.1007/978-3-030-32381-3_16 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bidirectional Encoder Representations from Transformers for Text Classification. ScholarGate. https://scholargate.app/nl/deep-learning/bert-based-classification
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.
- Long Short-Term Memory (LSTM)Deep learning↔ compare
- Recurrent Neuraal NetwerkDeep learning↔ compare
- RoBERTa-gebaseerde ClassificatieDeep learning↔ compare
- Sentence EmbeddingsDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →