BERT-inbeddingen — Contextuele Tekstrepresentaties
BERT-gebaseerde tekstinbeddingen, geïntroduceerd door Devlin en collega's van Google AI in 2019, zetten tekst om in contextgevoelige dichte vectoren met behulp van een bidirectionele Transformer-encoder. Omdat de betekenis van een woord verschuift met de context, produceert BERT rijkere representaties dan statische methoden zoals Word2Vec of onderwerpmodellen zoals LDA.
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.
+21 more
Bronnen
- Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL-HLT, 4171-4186. DOI: 10.18653/v1/N19-1423 ↗
- Tenney, I., Das, D. & Pavlick, E. (2019). BERT Rediscovers the Classical NLP Pipeline. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL), 4593-4601. DOI: 10.18653/v1/P19-1452 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). BERT-Based Text Embeddings. ScholarGate. https://scholargate.app/nl/text-mining/bert-embeddings
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.
- Doc2VecText mining↔ compare
- GloVe EmbeddingsText mining↔ compare
- SentimentanalyseText mining↔ compare
- Word2VecText mining↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →