การเรียนรู้แบบถ่ายโอนกับการรู้จำเอนทิตีที่มีชื่อ
การเรียนรู้แบบถ่ายโอนกับการรู้จำเอนทิตีที่มีชื่อ (NER) เป็นการปรับใช้แบบจำลองภาษาขนาดใหญ่ที่ได้รับการฝึกฝนล่วงหน้า — เช่น BERT, RoBERTa หรือตัวเข้ารหัสเฉพาะโดเมน — สำหรับงานระบุและจำแนกเอนทิตีที่มีชื่อ (บุคคล, สถานที่, องค์กร, วันที่, ฯลฯ) ในข้อความ ด้วยการนำการนำเสนอทางภาษาที่หลากหลายซึ่งเรียนรู้จากคลังข้อมูลขนาดใหญ่มาใช้ซ้ำ วิธีการนี้จึงต้องการข้อมูล NER ที่ติดป้ายกำกับเพียงเล็กน้อย แต่ยังคงให้ความแม่นยำในการตรวจจับและจำแนกช่วงข้อความที่ล้ำสมัย
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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. DOI: 10.18653/v1/N19-1423 ↗
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Transfer Learning with Named Entity Recognition (Pretrained Encoder Fine-Tuned for NER). ScholarGate. https://scholargate.app/th/deep-learning/transfer-learning-with-named-entity-recognition
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- การรู้จำชื่อเฉพาะแบบปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ RoBERTaการเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบถ่ายโอนด้วยการจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare