Nhận dạng thực thể được đặt tên (NER)

Nhận dạng thực thể được đặt tên hoạt động như thế nào

Hệ thống NER phân tích cấu trúc ngôn ngữ và ngữ cảnh của văn bản để định vị và phân loại các thực thể. Trong khi các hệ thống ban đầu dựa nhiều vào các quy tắc ngữ pháp và từ điển, các phương pháp tiếp cận hiện đại tận dụng Học máy (ML) , đặc biệt là Học sâu (DL) . Các mô hình như Transformers rất giỏi trong việc hiểu ngữ cảnh và các mẫu ngôn ngữ tinh tế, dẫn đến độ chính xác cao hơn. Quá trình này thường bao gồm việc xác định các thực thể tiềm năng (từ hoặc cụm từ) và sau đó phân loại chúng thành các danh mục được xác định trước (ví dụ: NGƯỜI, TỔ CHỨC, VỊ TRÍ).

Ví dụ, trong câu "Sundar Pichai đã công bố Google "Mô hình AI mới nhất của Google tại sự kiện ở Mountain View," một hệ thống NER sẽ xác định "Sundar Pichai" là một NGƯỜI, " Google " như một TỔ CHỨC và "Mountain View" như một ĐỊA ĐIỂM. Đầu ra có cấu trúc này hữu ích hơn nhiều cho các tác vụ tiếp theo so với chỉ văn bản gốc.

Sự liên quan và ứng dụng

NER là công nghệ nền tảng cho phép nhiều ứng dụng trên nhiều lĩnh vực khác nhau bằng cách cấu trúc thông tin văn bản:

• Trích xuất thông tin: Hệ thống có thể quét khối lượng lớn tài liệu (như bài báo hoặc bài nghiên cứu) để trích xuất các thực thể chính, tạo điều kiện cho việc truy xuất và phân tích thông tin nhanh hơn. Ví dụ, các nhà phân tích tài chính có thể sử dụng NER để trích xuất tên công ty và giá trị tiền tệ từ báo cáo thu nhập. Đọc khảo sát về các kỹ thuật NER .
• Tự động hóa hỗ trợ khách hàng: Chatbot và hệ thống hỗ trợ sử dụng NER để xác định các chi tiết quan trọng như tên sản phẩm, ID người dùng hoặc loại sự cố được đề cập trong truy vấn của khách hàng, cho phép định tuyến và tạo phản hồi hiệu quả. Khám phá Google Cloud Natural Language AI để biết ví dụ.
• Đề xuất nội dung: Bằng cách xác định các thực thể được đề cập trong bài viết hoặc video (như người, chủ đề hoặc địa điểm), nền tảng có thể đề xuất nội dung phù hợp hơn cho người dùng.
• Tin học chăm sóc sức khỏe: NER rất quan trọng để trích xuất thông tin như tên bệnh nhân, bệnh tật, thuốc men và triệu chứng từ ghi chú lâm sàng, hỗ trợ quản lý hồ sơ y tế và nghiên cứu. Nó có thể hỗ trợ các tác vụ như phân tích hình ảnh y tế bằng cách đối chiếu các phát hiện với báo cáo văn bản.
• Tìm kiếm ngữ nghĩa : Nâng cao khả năng của công cụ tìm kiếm bằng cách hiểu các thực thể trong truy vấn, dẫn đến kết quả chính xác hơn và phù hợp hơn với ngữ cảnh.

Sự khác biệt chính từ các khái niệm liên quan

NER thường được sử dụng cùng với các nhiệm vụ NLP khác nhưng có trọng tâm riêng biệt:

• Phân tích tình cảm : Xác định tông cảm xúc (tích cực, tiêu cực, trung tính) được thể hiện trong văn bản, thay vì xác định các thực thể cụ thể. NER có thể xác định tình cảm là về điều gì (ví dụ: sản phẩm), trong khi phân tích tình cảm xác định người dùng cảm thấy thế nào về sản phẩm đó.
• Tóm tắt văn bản : Nhằm mục đích tạo ra phiên bản ngắn gọn, súc tích của một văn bản dài hơn, giữ nguyên thông tin chính nhưng không nhất thiết phải tập trung vào việc phân loại tất cả các thực thể được đặt tên.
• Phát hiện đối tượng : Một tác vụ Thị giác máy tính (CV) xác định và định vị các đối tượng trong hình ảnh hoặc video. NER chỉ xử lý dữ liệu văn bản. Tuy nhiên, NER có thể bổ sung CV trong các ứng dụng đa phương thức , chẳng hạn như phân tích văn bản trích xuất từ hình ảnh.
• Hiểu ngôn ngữ tự nhiên (NLU) : Một lĩnh vực rộng hơn tập trung vào việc cho phép máy móc hiểu được ý nghĩa của văn bản. NER được coi là một nhiệm vụ phụ cơ bản trong NLU.

Công nghệ và Công cụ

Một số thư viện và nền tảng hỗ trợ triển khai NER:

• Các thư viện mã nguồn mở như spaCy và NLTK cung cấp khả năng NER mạnh mẽ.
• Hugging Face cung cấp quyền truy cập vào bộ sưu tập lớn các mô hình Transformer được đào tạo sẵn, tinh chỉnh cho các tác vụ NER.
• Các nền tảng như Ultralytics HUB cung cấp các công cụ để quản lý các dự án AI, bao gồm đào tạo và triển khai các mô hình. Mặc dù chủ yếu tập trung vào các mô hình tầm nhìn như Ultralytics YOLO , nền tảng này có thể là một phần của một đường ống lớn hơn kết hợp các tác vụ NLP như NER, đặc biệt là trong các hệ thống phân tích cả dữ liệu trực quan và văn bản. Khám phá tài liệu Ultralytics để biết thêm về quản lý và triển khai mô hình.