Finjusterad namngiven entitetigenkänning
Finjusterad namngiven entitetigenkänning (Fine-Tuned Named Entity Recognition, FT-NER) anpassar en förtränad språkmodell – oftast BERT eller en av dess varianter – för uppgiften att identifiera och klassificera namngivna entiteter (personer, organisationer, platser, datum etc.) i text. Genom finjustering på ett relativt litet märkt korpus uppnår praktiker toppmodern prestanda för sekvensmärkning utan att träna en modell från grunden.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Fine-Tuned Named Entity Recognition (Pre-trained Language Model NER). ScholarGate. https://scholargate.app/sv/deep-learning/fine-tuned-named-entity-recognition
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- BERT-baserad klassificeringDjupinlärning↔ jämför
- Fintrimmad BERT-baserad klassificeringDjupinlärning↔ jämför
- Finjusterad textsummeringDjupinlärning↔ jämför
- Klassificering baserad på RoBERTaDjupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →