الانتقال إلى المحتوى
العودة إلى نتائج البحث

التعرف على الكيانات المسماة (NER)

النوع
NLP sequence-labelling task

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

التعرف على الكيانات المسماة (NER) هو مهمة معالجة لغوية طبيعية تكتشف وتصنف الكيانات في النص تلقائيًا — مثل الأشخاص، المنظمات، المواقع، والتواريخ. تم مسحها بواسطة Nadeau و Sekine (2007) وتطورت لاحقًا باستخدام البنى العصبية بواسطة Lample et al. (2016)، وهي تحول النص الحر إلى نطاقات معلمة يمكن للأدوات اللاحقة استخدامها.

الفكرة الحدسية وراء الطريقة

يذكر المستند أسماء وأماكن وتواريخ في النثر العادي، لكن الآلة لا ترى سوى تدفق من الكلمات. الهدف من NER هو العثور على النطاقات التي تشير إلى كيانات العالم الحقيقي وإرفاق التسمية الصحيحة لكل منها. بدلاً من أن يقرأ شخص ويبرز الأسماء يدويًا، تقوم الطريقة بمسح النص، وتحديد الكلمات التي تشكل كيانًا، وتصنيفها كشخص، أو منظمة، أو موقع، أو تاريخ، وما إلى ذلك.

التاريخ

تم توحيد التعرف على الكيانات المسماة كمهمة في المسح الذي أجراه Nadeau و Sekine (2007)، والذي استعرض الأساليب القائمة على القواعد والميزات في هذا المجال. ثم قدم عمل Lample et al. (2016) في NAACL البنى العصبية لـ NER، مما دفع المجال نحو نماذج تصنيف التسلسل التي تتعلم التمثيلات السياقية بدلاً من الاعتماد على الميزات المصممة يدويًا.

متى تُستخدم

يناسب NER عندما يكون لديك بيانات نصية ونموذج لغوي يدعم لغة هذا النص، مع تطبيق المعالجة المسبقة أولاً. هناك حاجة إلى كمية معقولة من النص؛ فمع مجموعة نصوص صغيرة جدًا، يكون أداء النموذج ضعيفًا، ويكون استخراج الكلمات الرئيسية القائم على القواعد البسيطة هو الخيار الأكثر أمانًا. إذا لم تكن هناك بيانات نصية على الإطلاق، فلا يمكن تشغيل NER ويجب عليك تحليل المحتوى المنظم بدلاً من ذلك.

الحدود والاعتبارات

  • على مجموعة نصوص صغيرة، ينخفض أداء النموذج، ويصبح استخراج الكلمات الرئيسية البسيط القائم على القواعد هو الخيار الأفضل.
  • يعتمد الأداء على النموذج اللغوي الذي يدعم اللغة المستهدفة للنص.
  • يتطلب معالجة مسبقة؛ فبدون تجزئة نظيفة، يتم اكتشاف حدود الكيانات بشكل غير موثوق.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يحول النص غير المنظم إلى نطاقات كيانات منظمة ومصنفة يمكن للمهام اللاحقة استهلاكها.
  • يشمل عدة مناهج: المطابقة القائمة على القواعد للمشكلات الصغيرة، وتصنيف التسلسل العصبي للمشكلات الكبيرة.
  • يحدد عدة فئات من الكيانات — الأشخاص، المنظمات، المواقع، التواريخ — في تمريرة واحدة على النص.

التطبيقات

  • استخراج الأشخاص والمنظمات والمواقع من الأخبار والتقارير للفهرسة.
  • تحديد الكيانات المسماة في النصوص السريرية أو الطبية الحيوية للسجلات المنظمة.
  • استخراج الإشارات إلى الشركات والأماكن والتواريخ من مجموعات المستندات الكبيرة.
  • تغذية الكيانات المصنفة في مسارات استخراج المعلومات والعلاقات اللاحقة.

كيف يعمل

كيف يعمل

1

يتم تنظيف النص الخام وتقسيمه إلى وحدات قابلة للتحليل — يتم تقسيم الجمل وتجزئة الكلمات — بحيث يمكن اكتشاف حدود الكيانات بشكل متسق. يجب أن يدعم النموذج اللغوي المختار اللغة المستهدفة لكي يعمل هذا.

2

يتم تحويل كل رمز إلى ميزات يمكن للنموذج قراءتها. اعتمادًا على النهج، قد يعني هذا قواعد مكتوبة يدويًا وقوائم جغرافية، أو متجهات ميزات كلاسيكية، أو تضمينات سياقية من نموذج عصبي — كل منها يمنح المصنف الإشارة التي يحتاجها للتعرف على الكيان.

3

يُعيّن النموذج تسمية نوع الكيان لكل نطاق رمزي. يطابق النهج القائم على القواعد الأنماط والقواميس، ويستخدم نهج التعلم الآلي مصنف تسلسل مدربًا، ويطبق النهج العصبي بنية تلتقط السياق. المخرجات هي مجموعة من نطاقات النص المصنفة بأنواع مثل شخص، منظمة، موقع، وتاريخ.

4

يتم تقييم النطاقات المصنفة مقابل البيانات المعلمة باستخدام الدقة (precision)، والاستدعاء (recall)، وF1، ويتم فحص الكيانات غير الصحيحة أو المفقودة قبل الاعتماد على النموذج. هذا يحمي من الثقة في مصنف يفشل بصمت في اكتشاف فئة كيان كاملة.

الأخطاء الشائعة

  • تشغيل NER على مجموعة نصوص صغيرة (أقل من حوالي 100 مستند) حيث يكون أداء النموذج ضعيفًا — يجب العودة إلى استخراج الكلمات الرئيسية القائم على القواعد بدلاً من ذلك.
  • تطبيق نموذج لا يدعم لغة مجموعة النصوص، مما يؤدي إلى تدهور التعرف.
  • تخطي المعالجة المسبقة بحيث يؤدي النص المشوش أو المجزأ بشكل سيء إلى كسر حدود الكيانات.
  • الحكم على المصنف بالدقة وحدها عندما يتم تفويت فئة كيان كاملة؛ يجب الإبلاغ عن الدقة والاستدعاء وF1 وفحص الكيانات المفقودة.

الأسئلة الشائعة

قائم على القواعد، تعلم آلة، أو عصبي — أي نهج يجب أن أستخدم؟

يطابق النهج القائم على القواعد الأنماط والقواميس ويعمل على المشكلات الصغيرة التي لا تحتوي على بيانات معلمة. يتعلم مصنف التسلسل القائم على التعلم الآلي من الأمثلة المعلمة ويتكيف مع مجالك. يستخدم النهج العصبي البنى السياقية ويؤدي بشكل عام أفضل أداء على مجموعات النصوص الكبيرة، بتكلفة حسابية أعلى.

ماذا يحدث إذا كانت مجموعة نصوصي صغيرة جدًا؟

على مجموعة نصوص صغيرة (تقريبًا أقل من 100 مستند) ينخفض أداء نموذج NER. في هذه الحالة، يُفضل نهج استخراج الكلمات الرئيسية الأبسط القائم على القواعد على نموذج التعرف الكامل على الكيانات.

هل يعمل NER في لغات أخرى غير الإنجليزية؟

نعم، ولكن يجب أن يدعم النموذج اللغوي المختار اللغة المستهدفة للنص. النموذج الذي لا يغطي لغة مجموعة النصوص هو سبب شائع لضعف التعرف.

كيف يتم تقييم NER؟

تتم مقارنة النطاقات المصنفة بالبيانات المعلمة باستخدام الدقة (precision)، والاستدعاء (recall)، وF1. فحص الكيانات المفقودة وغير الصحيحة مهم، لأن المصنف يمكن أن يفشل بصمت في اكتشاف فئة كيان كاملة بينما لا يزال يبدو دقيقًا بشكل عام.

طرق ذات صلة

المصادر

  1. Nadeau, D. & Sekine, S. (2007). A survey of named entity recognition. Lingvisticae Investigationes.

    افتح مرجع المنشور
    تم النسخ.
  2. Lample, G. et al. (2016). Neural Architectures for Named Entity Recognition. NAACL.

    افتح مرجع DOI
    تم النسخ.