เปรียบเทียบวิธี

	การรู้จำชื่อเฉพาะแบบกำกับตนเอง	การรู้จำหน่วยคำนาม (Named Entity Recognition - NER)
สาขาวิชา	การเรียนรู้เชิงลึก	การทำเหมืองข้อความ
ตระกูล	Machine learning	Process / pipeline
ปีกำเนิด	2018–2019	—
ผู้ริเริ่ม	Devlin et al.; community-evolved from BERT-era self-supervised pretraining	—
ประเภท	Sequence labeling via self-supervised pretraining + fine-tuning	NLP sequence-labelling task
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.	Nadeau, D. & Sekine, S. (2007). A survey of named entity recognition. Lingvisticae Investigationes.
ชื่อเรียกอื่น	Self-supervised NER, SS-NER, label-efficient NER, pre-trained NER	NER, entity tagging, Adlandırılmış Varlık Tanıma (NER)
ที่เกี่ยวข้อง	2	3
สรุป	Self-supervised named entity recognition (NER) combines large-scale self-supervised pretraining — such as masked language modeling — with token-level fine-tuning to identify and classify named entities in text. By learning general linguistic representations before seeing any entity labels, the model achieves strong performance even when annotated NER training data is scarce.	Named entity recognition (NER) is a natural-language-processing task that automatically detects and labels entities in text — such as people, organisations, locations, and dates. Surveyed by Nadeau and Sekine (2007) and later advanced with neural architectures by Lample et al. (2016), it turns free-running text into tagged spans that downstream tools can use.