Machine learningDeep learning / NLP / CV

微调命名实体识别

微调命名实体识别（Fine-Tuned Named Entity Recognition）将预训练语言模型（最常见的是BERT或其衍生模型）适配到识别和分类文本中命名实体（人名、组织机构名、地名、日期等）的任务上。通过在相对较小的标注语料库上进行微调，实践者可以在不从头开始训练模型的情况下，实现最先进的序列标注性能。

在 MethodMind 中打开即将推出视频即将推出下载幻灯片

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

方法图谱

相关方法的邻域——选择一个节点以展开探索。

微调命名实体识别

[需翻译标题：BERT-based Classi…微调 BERT 分类微调文本摘要基于RoBERTa的分类领域自适应命名实体识别命名实体识别的迁移学习

来源

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. DOI: 10.18653/v1/N19-1423 ↗
Lample, G., Ballesteros, M., Subramanian, S., Kawakami, K., & Dyer, C. (2016). Neural Architectures for Named Entity Recognition. Proceedings of NAACL-HLT 2016, 260–270. DOI: 10.18653/v1/N16-1030 ↗

如何引用本页

ScholarGate. (2026, June 3). Fine-Tuned Named Entity Recognition (Pre-trained Language Model NER). ScholarGate. https://scholargate.app/zh/deep-learning/fine-tuned-named-entity-recognition

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

[需翻译标题：BERT-based Classification...]深度学习↔ 比较
微调 BERT 分类深度学习↔ 比较
微调文本摘要深度学习↔ 比较
基于RoBERTa的分类深度学习↔ 比较

并排比较 →

被引用于

领域自适应命名实体识别命名实体识别的迁移学习

发现本页有问题？报告或提出修改建议 →