Machine learningDeep learning / NLP / CV

微调问答

微调问答（Fine-Tuned Question Answering）将大型预训练语言模型（如BERT、RoBERTa或GPT系列模型）适配到针对给定上下文段落或知识库回答自然语言问题的任务上。模型通过在通用预训练之后，在标注的问答对上继续训练，来学习定位答案跨度或生成自由形式的答案。

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。

微调问答

[需翻译标题：BERT-based Classi…微调 BERT 分类微调文本摘要基于RoBERTa的分类句子嵌入领域自适应问答半监督问答弱监督问答

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 ↗
Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. DOI: 10.18653/v1/D16-1264 ↗

如何引用本页

ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/zh/deep-learning/fine-tuned-question-answering

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
句子嵌入深度学习↔ 比较

并排比较 →

被引用于

领域自适应问答微调文本摘要半监督问答弱监督问答

发现本页有问题？报告或提出修改建议 →