Transfer Learning met Named Entity Recognition
Transfer Learning met Named Entity Recognition (NER) past een groot, vooraf getraind taalmodel — zoals BERT, RoBERTa, of een domeinspecifieke encoder — aan voor de taak van het identificeren en classificeren van benoemde entiteiten (personen, locaties, organisaties, datums, enz.) in tekst. Door rijke linguïstische representaties te hergebruiken die zijn geleerd uit enorme corpora, vereist deze benadering slechts bescheiden gelabelde NER-gegevens, terwijl state-of-the-art span-detectie en classificatienauwkeurigheid worden bereikt.
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 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/nl/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.
- BERT-gebaseerde ClassificatieDeep learning↔ compare
- Fijn afgestelde Named Entity RecognitionDeep learning↔ compare
- RoBERTa-gebaseerde ClassificatieDeep learning↔ compare
- Sentence EmbeddingsDeep learning↔ compare
- Transfer Learning met BERT-gebaseerde ClassificatieDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →