เปรียบเทียบวิธี

	การรู้จำชื่อเฉพาะแบบปรับละเอียด	การจำแนกประเภทโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016–2019	2019
ผู้ริเริ่ม	Devlin, J. et al. (BERT fine-tuning paradigm); Lample, G. et al. (neural NER foundations)	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (Google AI Language)
ประเภท	Supervised token classification via fine-tuned language model	Pre-trained language model with fine-tuning
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.	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics.
ชื่อเรียกอื่น	Fine-tuned NER, BERT NER, transfer learning NER, neural NER with fine-tuning	BERT classifier, BERT fine-tuning for classification, BERT text classification, BERT-CLS
ที่เกี่ยวข้อง	4	4
สรุป	Fine-Tuned Named Entity Recognition adapts a pre-trained language model — most commonly BERT or one of its derivatives — to the task of identifying and classifying named entities (persons, organizations, locations, dates, etc.) in text. By fine-tuning on a relatively small labeled corpus, practitioners achieve state-of-the-art sequence-labeling performance without training a model from scratch.	BERT-based Classification fine-tunes Google's Bidirectional Encoder Representations from Transformers model on a labelled text dataset, replacing the generic pre-trained head with a task-specific classification layer. It exploits deep bidirectional context from hundreds of millions of pre-trained parameters to deliver state-of-the-art accuracy on short- and medium-length text classification tasks with relatively modest amounts of labelled data.