Finjustert navngitt enhetsgjenkjenning
Finjustert navngjenkjenning tilpasser en forhåndstrent språkmodell — oftest BERT eller en av dens derivater — til oppgaven med å identifisere og klassifisere navngitte enheter (personer, organisasjoner, steder, datoer, osv.) i tekst. Ved å finjustere på et relativt lite merket korpus, oppnår praktikere toppmoderne ytelse for sekvensmerking uten å trene en modell fra bunnen av.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186. DOI: 10.18653/v1/N19-1423 ↗
- Lample, G., Ballesteros, M., Subramanian, S., Kawakami, K., & Dyer, C. (2016). Neural Architectures for Named Entity Recognition. Proceedings of NAACL-HLT 2016, 260–270. DOI: 10.18653/v1/N16-1030 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Fine-Tuned Named Entity Recognition (Pre-trained Language Model NER). ScholarGate. https://scholargate.app/no/deep-learning/fine-tuned-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-basert klassifiseringDyp læring↔ compare
- Finputilpasset BERT-basert klassifiseringDyp læring↔ compare
- Finjustert tekstoppsummeringDyp læring↔ compare
- RoBERTa-basert klassifiseringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →