Тонкая настройка эмбеддингов предложений
Тонкая настройка эмбеддингов предложений адаптирует универсальный предварительно обученный кодировщик предложений — такой как Sentence-BERT — к конкретной предметной области или задаче путем продолжения обучения на размеченных или парных текстовых данных из этой области. Полученные эмбеддинги гораздо лучше улавливают семантическую структуру предметной области, чем готовые векторы, улучшая последующие задачи, такие как семантическое сходство, кластеризация, классификация и поиск.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3982–3992. DOI: 10.18653/v1/D19-1410 ↗
- Reimers, N., & Gurevych, I. (2020). Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 4512–4525. DOI: 10.18653/v1/2020.emnlp-main.365 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Fine-Tuned Sentence Embeddings (Domain-Adapted Sentence Representation Learning). ScholarGate. https://scholargate.app/ru/deep-learning/fine-tuned-sentence-embeddings
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
- Дообученный ТрансформерГлубокое 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 →