Zelfgesuperviseerde sentimentanalyse
Zelfgesuperviseerde sentimentanalyse combineert grootschalige ongegesuperviseerde pre-training — door middel van doelstellingen zoals masked language modeling of contrastieve voorspelling — met fine-tuning op een klein gelabeld sentimentcorpus. De benadering, gepopulariseerd door BERT en zijn varianten, vermindert de behoefte aan handmatig gelabelde data drastisch, terwijl state-of-the-art nauwkeurigheid wordt bereikt bij classificatietaken voor positieve/negatieve/neutrale meningen.
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.
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), pp. 194–206. Springer. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Learning for Sentiment Analysis. ScholarGate. https://scholargate.app/nl/deep-learning/self-supervised-sentiment-analysis
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.
- TekstclassificatieText mining↔ compare
- TransferlerenMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →