命名实体识别（NER）

命名实体识别（NER）是现代人工智能（AI）和机器学习（ML）系统的重要组成部分，尤其是在自然语言处理（NLP）领域。它使计算机能够自动识别和分类非结构化文本中的关键信息，并将其转换为机器可以轻松理解和使用的格式。这一过程包括精确定位 "命名实体"--代表特定信息的单词或短语--并将其归入预定义的类别，如人物、组织、地点、日期等。通过提取这些实体，NER 可以从文本数据中挖掘出有价值的信息，因此在各种应用中都不可或缺。

命名实体识别的工作原理

NER 系统通过分析文本的语言结构来定位和分类实体。这通常涉及几个步骤：

• 标记化：将文本分解为单个单词或标记。
• 语篇标记：识别每个词的语法角色（如名词、动词、形容词）。
• 实体检测：根据上下文和模式识别潜在的命名实体。例如，大写单词通常是命名实体的标志。
• 实体分类:使用在大量注释文本数据上训练的机器学习模型，将检测到的实体归类为预定义的类型。常见类别包括
  • 人：个人姓名（如 "Glenn Jocher"）。
  • 组织：公司、机构或团体的名称（如 "Ultralytics"）。
  • 地点：地理位置（如 "马德里"）。
  • 日期：日历日期（如 "2024 年 11 月 29 日"）。
  • 时间：时间点（如 "下午 3 点"）。
  • 数值：具有特定含义的数字（如 "20,000 颗星星"）。

例如，在句子 "Ultralytics YOLO11 was launched atYOLO Vision 2024 "中，NER 系统会将 "Ultralytics"识别为一个组织，将 "YOLO11"识别为一个产品，将 "YOLO Vision 2024 "识别为一个事件。现代 NER 系统通常利用深度学习架构，特别是转换器，这些架构擅长理解语言中的上下文和复杂模式。

相关性和应用

NER 是各行各业众多人工智能应用的基础技术。它能够自动从文本中提取结构化信息，因此在以下方面具有重要价值：

• 信息提取：NER 是自动从文件中提取关键细节的基础，例如识别法律文件中的合同条款或从医学影像分析报告中提取病人信息。
• 搜索引擎和推荐系统：搜索引擎使用 NER 可以更有效地理解用户查询背后的意图。例如，如果用户搜索 "马德里的活动"，则 NER 可以将 "活动 "识别为搜索的信息类型，将 "马德里 "识别为搜索的地点，从而改进搜索结果。同样，推荐系统也可以使用 NER 分析用户评论和偏好，从而提供更相关的建议。
• 客户支持：使用 NER 分析客户反馈和支持单据可帮助企业识别常见问题，跟踪特定产品或服务的提及情况，并将查询转至相应部门，从而提升客户体验。
• 金融分析：在金融领域，NER 可用于从新闻报道和财务报告中提取公司名称、股票代码和交易细节，从而帮助进行市场研究和风险管理。
• 内容推荐：新闻聚合器和内容平台利用 NER 对文章进行分类，并根据识别出的实体向用户推荐相关内容，从而提高内容发现和用户参与度，这与语义搜索技术类似。

例如，在电子商务中，近义词识别可以分析产品描述，自动为产品标注相关类别和属性。在农业计算机视觉领域，近义词排解可用于分析作物健康报告，提取疾病名称或受影响地区等实体，从而简化数据分析和决策。

与相关概念的主要区别

虽然 NER 与其他 NLP 任务密切相关，但它具有独特的功能：

• NER 与情感分析：NER 识别实体并进行分类，而情感分析则侧重于确定文本中表达的情感基调或观点。NER 可能会识别产品名称，而情感分析则会确定文本是否表达了对该产品的积极、消极或中性情感。
• NER 与文本摘要：文本摘要的目的是将大量文本浓缩成较短的、连贯的摘要。而 NER 则侧重于从文本中提取特定的信息片段（实体），而不一定对整个内容进行总结。
• 自然语言识别（NER）和自然语言理解（NLU）：NER 是自然语言理解 (NLU) 的一个组成部分。自然语言理解是一个更广泛的领域，旨在使计算机能够理解人类语言的全部内容，包括意图、上下文和细微差别。NER 通过提供结构化的实体级信息来帮助整体语言理解，从而为 NLU 做出贡献。

技术和工具

一些工具和平台有助于开发和部署 NER 系统。 Hugging Face例如，人工智能技术公司提供了大量预训练的转换器模型和库，这些模型和库对 NER 任务非常有效。Ultralytics HUB 等平台提供了训练、部署和管理人工智能模型（包括用于 NER 的模型）的工具和基础设施，从而简化了将 NER 功能集成到更广泛的人工智能解决方案中的过程。 Ultralytics YOLO主要用于物体检测的人工智能模型可以与 NLP 管道集成，以创建能够理解视觉和文本数据的综合系统，从而进一步增强 NER 在多模态应用中的多功能性。