Overføringslæring med navngitt enhetsgjenkjenning
Overføringslæring med navngitt enhetsgjenkjenning (NER) tilpasser en stor forhåndstrent språkmodell — som BERT, RoBERTa, eller en domenespesifikk koder — til oppgaven med å identifisere og klassifisere navngitte enheter (personer, steder, organisasjoner, datoer, osv.) i tekst. Ved å gjenbruke rike lingvistiske representasjoner lært fra massive korpora, krever denne tilnærmingen bare beskjedne merkede NER-data, samtidig som den oppnår toppmoderne nøyaktighet for spanoppdagelse og klassifisering.
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. 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/no/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-basert klassifiseringDyp læring↔ compare
- Finjustert navngitt enhetsgjenkjenningDyp læring↔ compare
- RoBERTa-basert klassifiseringDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Overføringslæring med BERT-basert klassifiseringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →