เปรียบเทียบวิธี

	การรู้จำชื่อเฉพาะแบบปรับละเอียด	การจำแนกประเภทโดยใช้ BERT ที่ปรับละเอียด
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)
ประเภท	Supervised token classification via fine-tuned language model	Pre-trained transformer fine-tuned for classification
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. Proceedings of NAACL-HLT 2019, 4171–4186.
ชื่อเรียกอื่น	Fine-tuned NER, BERT NER, transfer learning NER, neural NER with fine-tuning	BERT fine-tuning, BERT classifier, fine-tuned BERT, BERT sequence classification
ที่เกี่ยวข้อง	4	5
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.	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.