เปรียบเทียบวิธี

	การจำแนกประเภทโดยใช้ BERT ที่ปรับละเอียด	Sentence Embeddings
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019	2015–2019
ผู้ริเริ่ม	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (Google AI)	Kiros et al. (Skip-Thought, 2015); Reimers & Gurevych (Sentence-BERT, 2019)
ประเภท	Pre-trained transformer fine-tuned for classification	Representation learning / embedding
แหล่งต้นตำรับ	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.	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), 3980–3990.
ชื่อเรียกอื่น	BERT fine-tuning, BERT classifier, fine-tuned BERT, BERT sequence classification	sentence vectors, sentence representations, SBERT, semantic sentence encoding
ที่เกี่ยวข้อง	5	4
สรุป	Fine-Tuned BERT-based Classification adapts a pre-trained BERT transformer to a specific text classification task by adding a lightweight output layer and continuing gradient-based training on labelled examples. It consistently achieves near-state-of-the-art accuracy on sentiment analysis, topic categorisation, intent detection, and other NLP classification tasks with relatively small labelled datasets.	Sentence Embeddings convert a sentence or short text into a single fixed-length dense vector that captures its semantic meaning. These vectors allow downstream tasks — semantic similarity, clustering, retrieval, and classification — to operate on numerical representations instead of raw text, making them one of the most versatile building blocks in modern NLP pipelines.