เปรียบเทียบวิธี

	Word2Vec แบบกึ่งมีผู้สอน	การจำแนกประเภทข้อความแบบกึ่งมีผู้สอนโดยใช้ BERT
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2013–2015	2019–2020
ผู้ริเริ่ม	Mikolov, T. et al. (Word2Vec); semi-supervised framing via Collobert & Weston and subsequent NLP literature	Multiple groups (Xie et al.; Chen et al.; Devlin et al. for BERT base)
ประเภท	Semi-supervised representation learning	Semi-supervised fine-tuning of pre-trained transformer
แหล่งต้นตำรับ	Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. In Proceedings of ICLR 2013.	Xie, Q., Dai, Z., Hovy, E., Luong, T., & Le, Q. (2020). Unsupervised Data Augmentation for Consistency Training. Advances in Neural Information Processing Systems (NeurIPS), 33, 27780–27792.
ชื่อเรียกอื่น	Word2Vec with semi-supervised learning, semi-supervised word embeddings, Word2Vec SSL, unsupervised pretraining with Word2Vec	Semi-supervised BERT, BERT SSL Classification, BERT with Unlabeled Data, BERT Semi-supervised Fine-tuning
ที่เกี่ยวข้อง	6	6
สรุป	Semi-supervised Word2Vec trains dense word representations on a large unlabeled corpus using Word2Vec (skip-gram or CBOW), then uses those embeddings as fixed or fine-tunable input features for a downstream classifier trained on a small labeled dataset. This two-stage process lets models benefit from abundant unlabeled text when labeled data is scarce.	Semi-supervised BERT-based classification fine-tunes a pre-trained BERT encoder on a small pool of labeled text examples while simultaneously leveraging a much larger body of unlabeled text — via consistency training, pseudo-labeling, or data augmentation — to produce high-quality classifiers even when manual annotation is scarce.