Reconhecimento de Entidades Nomeadas Ajustado (Fine-Tuned Named Entity Recognition)
O Reconhecimento de Entidades Nomeadas Ajustado (Fine-Tuned Named Entity Recognition) adapta um modelo de linguagem pré-treinado — mais comumente BERT ou uma de suas derivações — à tarefa de identificar e classificar entidades nomeadas (pessoas, organizações, locais, datas, etc.) em texto. Ao ajustar em um corpus rotulado relativamente pequeno, os praticantes alcançam desempenho de rotulagem de sequência de ponta sem treinar um modelo do zero.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Fine-Tuned Named Entity Recognition (Pre-trained Language Model NER). ScholarGate. https://scholargate.app/pt/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.
- Classificação baseada em BERTAprendizado profundo↔ compare
- Classificação Fina Ajustada Baseada em BERTAprendizado profundo↔ compare
- Sumarização de Texto AjustadaAprendizado profundo↔ compare
- Classificação baseada em RoBERTaAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →