Samonadzorowana analiza sentymentu
Samonadzorowana analiza sentymentu łączy na dużą skalę nienadzorowane wstępne trenowanie — za pomocą zadań takich jak maskowane modelowanie językowe lub predykcja kontrastywna — z dostrajaniem na małym, etykietowanym korpusie sentymentu. Podejście to, spopularyzowane przez BERT i jego warianty, radykalnie zmniejsza zapotrzebowanie na ręcznie etykietowane dane, jednocześnie osiągając najnowocześniejszą dokładność w zadaniach klasyfikacji opinii na pozytywne/negatywne/neutralne.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Learning for Sentiment Analysis. ScholarGate. https://scholargate.app/pl/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.
- Klasyfikacja TekstuEksploracja tekstu↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →