Дообученное вопросно-ответное извлечение
Дообученное вопросно-ответное извлечение (Fine-Tuned Question Answering, FTQA) адаптирует большую предварительно обученную языковую модель — такую как BERT, RoBERTa или модель семейства GPT — для ответов на вопросы на естественном языке по заданному контекстному фрагменту или базе знаний. Модель учится находить фрагменты ответов или генерировать ответы в свободной форме, продолжая обучение на размеченных парах «вопрос-ответ» после общего предварительного обучения.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/ru/deep-learning/fine-tuned-question-answering
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Классификация на основе BERTГлубокое обучение↔ сравнить
- Дообученная классификация на основе BERTГлубокое обучение↔ сравнить
- Дообученная суммаризация текстовГлубокое обучение↔ сравнить
- Классификация на основе RoBERTaГлубокое обучение↔ сравнить
- Векторные представления предложенийГлубокое обучение↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →