Setiap kali kita mendengar perkataan atau membaca teks, kita mempunyai keupayaan semula jadi untuk mengenal pasti dan mengkategorikan perkataan itu kepada orang, tempat, lokasi, nilai dan banyak lagi. Manusia boleh dengan cepat mengenali sesuatu perkataan, mengkategorikannya dan memahami konteksnya. Sebagai contoh, apabila anda mendengar perkataan 'Steve Jobs,' anda boleh segera memikirkan sekurang-kurangnya tiga hingga empat atribut dan mengasingkan entiti ke dalam kategori,
- Orang: Steve Jobs
- Syarikat: Apple
- Location: California
Memandangkan komputer tidak mempunyai keupayaan semula jadi ini, mereka memerlukan bantuan kami untuk mengenal pasti perkataan atau teks dan mengkategorikannya. Ia adalah di mana Pengiktirafan Entiti Dinamakan (NER) datang bermain.
Mari dapatkan pemahaman ringkas tentang NER dan kaitannya dengan NLP.
Apakah yang dinamakan Pengiktirafan Entiti?
Pengiktirafan Entiti Dinamakan adalah sebahagian daripada Pemprosesan Bahasa Semulajadi. Objektif utama bagi NER adalah untuk memproses data berstruktur dan tidak berstruktur dan klasifikasikan entiti yang dinamakan ini ke dalam kategori yang telah ditetapkan. Beberapa kategori biasa termasuk nama, lokasi, syarikat, masa, nilai kewangan, acara dan banyak lagi.
Secara ringkasnya, NER berurusan dengan:
- Pengiktirafan/pengesan entiti bernama – Mengenal pasti perkataan atau siri perkataan dalam dokumen.
- Pengelasan entiti bernama – Mengelaskan setiap entiti yang dikesan ke dalam kategori yang telah ditetapkan.
Tetapi bagaimanakah NER berkaitan dengan NLP?
Pemprosesan Bahasa Asli membantu membangunkan mesin pintar yang mampu mengekstrak makna daripada pertuturan dan teks. Pembelajaran Mesin membantu sistem pintar ini meneruskan pembelajaran dengan melatih sejumlah besar bahasa semulajadi set data.
Secara amnya, NLP terdiri daripada tiga kategori utama:
- Memahami struktur dan peraturan bahasa - Syntax
- Menghasilkan makna perkataan, teks, dan pertuturan dan mengenal pasti hubungan mereka - Semantik
- Mengenal pasti dan mengenal perkataan yang dituturkan dan mengubahnya menjadi teks – Ucapan
NER membantu dalam bahagian semantik NLP, mengekstrak makna perkataan, mengenal pasti dan mencarinya berdasarkan perhubungan mereka.
Menyelam Lebih Dalam ke Jenis Entiti NER Biasa
Model Pengiktirafan Entiti Dinamakan mengkategorikan entiti kepada pelbagai jenis yang telah ditetapkan. Memahami jenis ini adalah penting untuk memanfaatkan NER dengan berkesan. Berikut ialah pandangan yang lebih dekat pada beberapa yang paling biasa:
- Orang (PER): Mengenal pasti nama individu, termasuk nama pertama, tengah dan akhir, gelaran dan kehormatan. Contoh: Nelson Mandela, Dr. Jane Doe
- Organisasi (ORG): Mengiktiraf syarikat, institusi, agensi kerajaan dan kumpulan terancang lain. Contoh: Google, Pertubuhan Kesihatan Sedunia, Pertubuhan Bangsa-Bangsa Bersatu
- Lokasi (LOC): Mengesan lokasi geografi, termasuk negara, bandar, negeri, alamat dan tanda tempat. Contoh: London, Gunung Everest, Times Square
- Tarikh (DATE): Mengekstrak tarikh dalam pelbagai format. Contoh: 1 Januari 2024, 2024-01-01
- Masa (TIME): Mengenal pasti ungkapan masa. Contoh: 3:00 PM, 15:00
- Kuantiti (KUANTITI): Mengenal kuantiti berangka dan unit ukuran. Contoh: 10 kilogram, 2 liter
- Peratusan (PERCENT): Mengesan peratusan. Contoh: 50%, 0.5
- Wang (WANG): Mengekstrak nilai kewangan dan mata wang. Contoh: $100, €50
- Lain-lain (MISC): Kategori lengkap untuk entiti yang tidak sesuai dengan jenis lain. Contoh: Hadiah Nobel, iPhone 15″
Contoh Pengiktirafan Entiti Dinamakan
Beberapa contoh biasa yang telah ditetapkan pengkategorian entiti ialah:
Apple: dilabelkan sebagai ORG (Organisasi) dan diserlahkan dengan warna merah. Hari Ini: dilabelkan sebagai DATE dan diserlahkan dengan warna merah jambu. Kedua: dilabelkan sebagai KUANTITI dan diserlahkan dengan warna hijau. iPhone SE: dilabelkan sebagai COMM (Produk komersial) dan diserlahkan dengan warna biru. 4.7 inci: dilabelkan sebagai KUANTITI dan diserlahkan dengan warna hijau.
Kekaburan dalam Pengiktirafan Entiti Dinamakan
Kategori sesuatu istilah adalah secara intuitif agak jelas untuk manusia. Walau bagaimanapun, itu tidak berlaku dengan komputer – mereka menghadapi masalah klasifikasi. Sebagai contoh:
Manchester City (pertubuhan) memenangi Trofi Liga Perdana manakala dalam ayat berikut organisasi digunakan secara berbeza. Manchester City (Lokasi) ialah Rumah Kuasa Tekstil dan perindustrian.
Keperluan model NER anda data latihan untuk menjalankan dengan tepat pengekstrakan entiti dan klasifikasi. Jika anda melatih model anda dalam Bahasa Inggeris Shakespeare, tidak perlu dikatakan, model itu tidak akan dapat mentafsir Instagram.
Pendekatan NER yang berbeza
Matlamat utama a model NER adalah untuk melabelkan entiti dalam dokumen teks dan mengkategorikannya. Tiga pendekatan berikut biasanya digunakan untuk tujuan ini. Walau bagaimanapun, anda boleh memilih untuk menggabungkan satu atau lebih kaedah juga. Pendekatan yang berbeza untuk mencipta sistem NER ialah:
-
Sistem berasaskan kamus
Sistem berasaskan kamus mungkin merupakan pendekatan NER yang paling mudah dan asas. Ia akan menggunakan kamus dengan banyak perkataan, sinonim dan koleksi perbendaharaan kata. Sistem akan menyemak sama ada entiti tertentu yang terdapat dalam teks juga tersedia dalam perbendaharaan kata. Dengan menggunakan algoritma pemadanan rentetan, semakan silang entiti dilakukan.
Satu kelemahan menggunakan pendekatan ini ialah terdapat keperluan untuk sentiasa menaik taraf set data perbendaharaan kata untuk fungsi berkesan model NER.
-
Sistem berasaskan peraturan
Dalam pendekatan ini, maklumat diekstrak berdasarkan satu set peraturan yang telah ditetapkan. Terdapat dua set peraturan utama yang digunakan,
Peraturan berasaskan corak - Seperti namanya, peraturan berasaskan corak mengikut corak morfologi atau rentetan perkataan yang digunakan dalam dokumen.
Peraturan berasaskan konteks - Peraturan berasaskan konteks bergantung pada makna atau konteks perkataan dalam dokumen.
-
Sistem berasaskan pembelajaran mesin
Dalam sistem berasaskan pembelajaran mesin, pemodelan statistik digunakan untuk mengesan entiti. Perwakilan berasaskan ciri bagi dokumen teks digunakan dalam pendekatan ini. Anda boleh mengatasi beberapa kelemahan daripada dua pendekatan pertama kerana model boleh mengenali jenis entiti walaupun terdapat sedikit variasi dalam ejaan mereka.
-
Pembelajaran yang mendalam
Kaedah pembelajaran mendalam untuk NER memanfaatkan kuasa rangkaian saraf seperti RNN dan transformer untuk memahami kebergantungan teks jangka panjang. Faedah utama menggunakan kaedah ini adalah ia sangat sesuai untuk tugasan NER berskala besar dengan data latihan yang banyak.
Tambahan pula, mereka boleh mempelajari corak dan ciri yang kompleks daripada data itu sendiri, menghapuskan keperluan untuk latihan manual. Tetapi ada tangkapan. Kaedah ini memerlukan jumlah kuasa pengiraan yang besar untuk latihan dan penggunaan.
-
Kaedah Hibrid
Kaedah ini menggabungkan pendekatan seperti berasaskan peraturan, statistik dan pembelajaran mesin untuk mengekstrak entiti yang dinamakan. Matlamatnya adalah untuk menggabungkan kekuatan setiap kaedah sambil meminimumkan kelemahan mereka. Bahagian terbaik menggunakan kaedah hibrid ialah fleksibiliti yang anda perolehi dengan menggabungkan pelbagai teknik yang anda boleh mengekstrak entiti daripada sumber data yang pelbagai.
Walau bagaimanapun, terdapat kemungkinan kaedah ini akhirnya menjadi lebih kompleks daripada kaedah pendekatan tunggal kerana apabila anda menggabungkan berbilang pendekatan, aliran kerja mungkin mengelirukan.
Gunakan Kes untuk Pengiktirafan Entiti Dinamakan (NER)?
Mendedahkan Kepelbagaian Pengiktirafan Entiti Dinamakan (NER):
- Bot Sembang: Membantu chatbots seperti GPT dalam memahami pertanyaan pengguna dengan mengenal pasti entiti utama.
- Sokongan Pelanggan: Mengkategorikan maklum balas mengikut produk, mempercepatkan masa tindak balas.
- Kewangan: Mengekstrak data penting daripada laporan kewangan, untuk analisis trend dan penilaian risiko.
- Penjagaan kesihatan: Ia menarik maklumat penting daripada rekod klinikal, mempromosikan analisis data yang lebih pantas.
- Sumber Manusia: Memperkemas pengambilan dengan meringkaskan profil pemohon & menyalurkan maklum balas.
- Pembekal Berita: Mengkategorikan kandungan kepada maklumat yang berkaitan, mempercepatkan pelaporan.
- Mesin Cadangan: Syarikat seperti Netflix menggunakan NER untuk memperibadikan syor berdasarkan gelagat pengguna.
- Enjin carian: Dengan mengkategorikan kandungan web, NER meningkatkan ketepatan hasil carian.
- Analisis Sentimen: Extracts sebutan jenama daripada ulasan, menyemarakkan alat analisis sentimen.
Siapa yang Menggunakan Pengiktirafan Entiti Dinamakan (NER)?
NER (Pengiktirafan Entiti Dinamakan) sebagai salah satu daripada teknik pemprosesan bahasa semula jadi (NLP) yang berkuasa telah memasuki pelbagai industri dan domain. Berikut adalah beberapa contoh:
- Enjin carian: NER ialah komponen teras enjin carian zaman moden seperti Google dan Bing. Ia digunakan untuk mengenal pasti dan mengkategorikan entiti daripada halaman web dan pertanyaan carian untuk memberikan hasil carian yang lebih berkaitan. Contohnya, dengan bantuan NER, enjin carian boleh membezakan antara "Apple" syarikat berbanding "epal" buah berdasarkan konteks.
- Bot Sembang: Chatbots dan pembantu AI boleh menggunakan NER untuk memahami entiti utama daripada pertanyaan pengguna. Dengan berbuat demikian, chatbots boleh memberikan respons yang lebih tepat. Contohnya, jika anda bertanya "Cari restoran Itali berhampiran Central Park", chatbot akan memahami "Itali" sebagai jenis masakan, "restoran" sebagai tempat dan "Central Park" sebagai lokasi.
- Kewartawanan Penyiasatan: Konsortium Wartawan Penyiasatan Antarabangsa (ICIJ), sebuah organisasi media terkenal menggunakan NER untuk menganalisis Panama Papers, kebocoran besar-besaran 11.5 juta dokumen kewangan dan undang-undang. Dalam kes ini, NER digunakan untuk mengenal pasti orang, organisasi dan lokasi secara automatik merentas berjuta-juta dokumen tidak berstruktur, mendedahkan rangkaian tersembunyi pengelakan cukai luar pesisir.
- Bioinformatik: Dalam bidang Bioinformatik, NER digunakan untuk mengekstrak entiti utama seperti gen, protein, ubat-ubatan dan penyakit daripada kertas penyelidikan bioperubatan dan laporan percubaan klinikal. Data sedemikian membantu dalam mempercepatkan proses penemuan dadah.
- Pemantauan Media Sosial: Jenama melalui media sosial menggunakan NER untuk menjejaki metrik keseluruhan kempen iklan mereka dan prestasi pesaing mereka. Contohnya, terdapat syarikat penerbangan yang menggunakan NER untuk menganalisis tweet yang menyebut jenama mereka. Ia mengesan ulasan negatif mengenai entiti seperti "bagasi hilang" di lapangan terbang tertentu supaya mereka dapat menyelesaikan masalah itu secepat mungkin.
- Pengiklanan Kontekstual: Platform pengiklanan menggunakan NER untuk mengekstrak entiti utama daripada halaman web untuk memaparkan iklan yang lebih berkaitan di samping kandungan yang akhirnya meningkatkan penyasaran iklan dan kadar klik lalu. Contohnya, jika NER mengesan "Hawaii", "hotel" dan "pantai" pada blog perjalanan, platform iklan akan memaparkan tawaran untuk pusat peranginan Hawaii dan bukannya rangkaian hotel generik.
- Pengambilan dan Penapisan Resume: Anda boleh mengarahkan NER untuk mencari anda kemahiran dan kelayakan yang diperlukan berdasarkan set kemahiran, pengalaman dan latar belakang pemohon. Sebagai contoh, agensi pengambilan boleh menggunakan NER untuk memadankan calon secara automatik.
Aplikasi NER
NER mempunyai beberapa kes penggunaan dalam banyak bidang yang berkaitan dengan Pemprosesan Bahasa Semulajadi dan mencipta set data latihan untuk pembelajaran mesin and pembelajaran mendalam penyelesaian. Beberapa aplikasi adalah:
-
Sokongan pengguna
Sistem NER boleh mengesan aduan, pertanyaan dan maklum balas pelanggan yang berkaitan dengan mudah berdasarkan maklumat penting seperti nama produk, spesifikasi, lokasi cawangan dan banyak lagi. Aduan atau maklum balas diklasifikasikan dengan tepat dan dialihkan ke jabatan yang betul dengan menapis kata kunci keutamaan.
-
Sumber Manusia yang Cekap
NER membantu pasukan Sumber Manusia memperbaiki proses pengambilan pekerja mereka dan mengurangkan garis masa dengan meringkaskan resume pemohon dengan cepat. Alat NER boleh mengimbas resume dan mengekstrak maklumat yang berkaitan - nama, umur, alamat, kelayakan, kolej, dan sebagainya.
Selain itu, jabatan HR juga boleh menggunakan alat NER untuk menyelaraskan aliran kerja dalaman dengan menapis aduan pekerja dan memajukannya kepada ketua jabatan berkenaan.
-
Klasifikasi Kandungan
Pengelasan kandungan adalah tugas besar untuk penyedia berita. Mengelaskan kandungan ke dalam kategori yang berbeza menjadikannya lebih mudah untuk ditemui, memperoleh cerapan, mengenal pasti arah aliran dan memahami subjek. A bernama Pengiktirafan Entiti alat boleh berguna untuk penyedia berita. Ia boleh mengimbas banyak artikel, mengenal pasti kata kunci keutamaan dan mengekstrak maklumat berdasarkan orang, organisasi, lokasi dan banyak lagi.
-
Mengoptimumkan Enjin Carian
-
Pengesyoran Kandungan Tepat
Beberapa aplikasi moden bergantung pada alat NER untuk menyampaikan pengalaman pelanggan yang dioptimumkan dan disesuaikan. Contohnya, Netflix menyediakan pengesyoran diperibadikan berdasarkan carian dan sejarah paparan pengguna menggunakan pengecaman entiti bernama.
Pengiktirafan Entiti Dinamakan menjadikan anda pembelajaran mesin model lebih cekap dan boleh dipercayai. Walau bagaimanapun, anda memerlukan set data latihan yang berkualiti untuk model anda berfungsi pada tahap optimumnya dan mencapai matlamat yang dimaksudkan. Apa yang anda perlukan ialah rakan kongsi perkhidmatan berpengalaman yang boleh memberikan anda set data berkualiti sedia untuk digunakan. Jika begitu, Shaip adalah pertaruhan terbaik anda. Hubungi kami untuk mendapatkan set data NER yang komprehensif untuk membantu anda membangunkan penyelesaian ML yang cekap dan maju untuk model AI anda.
[Baca juga: Apakah NLP? Bagaimana ia Berfungsi, Faedah, Cabaran, Contoh
Bagaimanakah Pengiktirafan Entiti Dinamakan Berfungsi?
Menyelami alam Pengiktirafan Entiti Dinamakan (NER) mendedahkan perjalanan sistematik yang terdiri daripada beberapa fasa:
-
Tokenisasi
Pada mulanya, data teks dibedah kepada unit yang lebih kecil, dipanggil token, yang boleh terdiri daripada perkataan ke ayat. Sebagai contoh, pernyataan "Barack Obama ialah presiden AS" dibahagikan kepada token seperti "Barack", "Obama", "was", "the", "president", "of", "the", dan " USA".
-
Pengesanan Entiti
Dengan menggunakan gabungan garis panduan linguistik dan metodologi statistik, entiti yang dinamakan berpotensi diberi perhatian. Mengecam corak seperti huruf besar dalam nama (“Barack Obama”) atau format yang berbeza (seperti tarikh) adalah penting dalam peringkat ini.
-
Klasifikasi Entiti
Pengesanan selepas, entiti diisih ke dalam kategori yang dipratentukan seperti "Orang", "Organisasi" atau "Lokasi". Model pembelajaran mesin, yang dipupuk pada set data berlabel, sering mendorong klasifikasi ini. Di sini, "Barack Obama" ditandakan sebagai "Orang" dan "AS" sebagai "Lokasi".
-
Penilaian Kontekstual
Kehebatan sistem NER sering diperkuatkan dengan menilai konteks sekeliling. Sebagai contoh, dalam frasa "Washington menyaksikan peristiwa bersejarah", konteks membantu membezakan "Washington" sebagai lokasi dan bukannya nama seseorang.
-
Penapisan Selepas Penilaian
Berikutan pengenalpastian dan pengelasan awal, penambahbaikan selepas penilaian mungkin berlaku untuk mengasah keputusan. Peringkat ini boleh menangani kekaburan, menggabungkan entiti berbilang token, atau menggunakan pangkalan pengetahuan untuk menambah data entiti.
Pendekatan yang digariskan ini bukan sahaja menafikan teras NER tetapi juga mengoptimumkan kandungan untuk enjin carian, meningkatkan keterlihatan proses rumit yang terkandung oleh NER.
Perbandingan Alat dan Perpustakaan NER:
Beberapa alatan dan perpustakaan yang berkuasa memudahkan pelaksanaan NER. Berikut ialah perbandingan beberapa pilihan popular:
| Alat/Perpustakaan | Penerangan Produk | Kekuatan | weaknesses |
|---|---|---|---|
| spaCy | Pustaka NLP yang pantas dan cekap dalam Python. | Prestasi cemerlang, mudah digunakan, model pra-latihan tersedia. | Sokongan terhad untuk bahasa selain bahasa Inggeris. |
| NLTK | Perpustakaan NLP yang komprehensif dalam Python. | Pelbagai fungsi, baik untuk tujuan pendidikan. | Boleh lebih perlahan daripada spaCy. |
| Stanford CoreNLP | Kit alat NLP berasaskan Java. | Sangat tepat, menyokong berbilang bahasa. | Memerlukan lebih banyak sumber pengiraan. |
| BukaNLP | Kit alatan berasaskan pembelajaran mesin untuk NLP. | Menyokong pelbagai bahasa, boleh disesuaikan. | Boleh menjadi rumit untuk disediakan. |
Faedah & Cabaran NER?
Kebaikan:
- Pengekstrakan Maklumat: NER mengenal pasti data utama, membantu mendapatkan maklumat.
- Organisasi Kandungan: Ia membantu mengkategorikan kandungan, berguna untuk pangkalan data dan enjin carian.
- Pengalaman Pengguna yang Ditingkatkan: NER memperhalusi hasil carian dan memperibadikan syor.
- Analisis Berwawasan: Ia memudahkan analisis sentimen dan pengesanan trend.
- Aliran Kerja Automatik: NER menggalakkan automasi, menjimatkan masa dan sumber.
Had / Cabaran:
- Penyelesaian Kekaburan: Bergelut dengan membezakan entiti serupa seperti "Amazon" sebagai sungai atau syarikat.
- Penyesuaian Khusus Domain: Intensif sumber merentas pelbagai domain.
- Variasi bahasa: Keberkesanan berbeza-beza kerana perbezaan slanga dan wilayah.
- Kekurangan Data Berlabel: Memerlukan set data berlabel besar untuk latihan.
- Mengendalikan Data Tidak Berstruktur: Memerlukan teknik lanjutan.
- Pengukuran prestasi: Penilaian yang tepat adalah rumit.
- Pemprosesan Masa Sebenar: Mengimbangi kelajuan dengan ketepatan adalah mencabar.
- Ketergantungan Konteks: Ketepatan bergantung pada pemahaman nuansa teks sekeliling.
- Keterlaluan Data: Memerlukan set data berlabel yang besar, terutamanya untuk kawasan khusus.
Masa depan NER
Walaupun Pengiktirafan Entiti Dinamakan (NER) adalah bidang yang mantap, masih banyak kerja yang perlu dilakukan. Satu bidang yang menjanjikan yang boleh kami pertimbangkan ialah teknik pembelajaran mendalam termasuk transformer dan model bahasa pra-latihan, jadi prestasi NER boleh dipertingkatkan lagi.
Idea menarik lain ialah membina sistem NER tersuai untuk profesion yang berbeza, seperti doktor atau peguam. Memandangkan industri yang berbeza mempunyai jenis dan corak identiti mereka sendiri, mewujudkan sistem NER dalam konteks khusus ini boleh memberikan hasil yang lebih tepat dan relevan.
Tambahan pula, NER berbilang bahasa dan merentas bahasa juga merupakan bidang yang berkembang lebih pantas berbanding sebelum ini. Dengan peningkatan globalisasi perniagaan, kita perlu membangunkan sistem NER yang boleh mengendalikan struktur dan skrip linguistik yang pelbagai.
Kesimpulan
Pengecaman Entiti Dinamakan (NER) ialah teknik NLP yang berkuasa yang mengenal pasti dan mengelaskan entiti utama dalam teks, membolehkan mesin memahami dan memproses bahasa manusia dengan lebih berkesan. Daripada mempertingkatkan enjin carian dan bot sembang kepada memperkasakan sokongan pelanggan dan analisis kewangan, NER mempunyai pelbagai aplikasi merentas pelbagai industri. Walaupun cabaran kekal dalam bidang seperti penyelesaian kekaburan dan pengendalian data tidak berstruktur, kemajuan berterusan, terutamanya dalam pembelajaran mendalam, berjanji untuk memperhalusi lagi keupayaan NER dan mengembangkan impaknya pada masa hadapan.