Uczenie transferowe w rozpoznawaniu nazwanych encji
Uczenie transferowe w rozpoznawaniu nazwanych encji (NER) adaptuje duży, wstępnie wytrenowany model językowy — taki jak BERT, RoBERTa, lub koder specyficzny dla domeny — do zadania identyfikacji i klasyfikacji nazwanych encji (osób, lokalizacji, organizacji, dat itp.) w tekście. Dzięki ponownemu wykorzystaniu bogatych reprezentacji językowych, nauczonych na podstawie ogromnych korpusów, podejście to wymaga jedynie umiarkowanej ilości oznakowanych danych NER, jednocześnie osiągając najnowocześniejszą dokładność wykrywania i klasyfikacji zakresów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
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 ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/pl/deep-learning/transfer-learning-with-named-entity-recognition
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Klasyfikacja oparta na BERTUczenie głębokie↔ porównaj
- Dostrajanie rozpoznawania jednostek nazewniczychUczenie głębokie↔ porównaj
- Klasyfikacja oparta na RoBERTaUczenie głębokie↔ porównaj
- Osadzanie zdańUczenie głębokie↔ porównaj
- Uczenie maszynowe z klasyfikacją opartą na BERTUczenie głębokie↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →