Skip to content
Retour aux résultats

Reconnaissance d'entités nommées (REN)

Type
NLP sequence-labelling task

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La reconnaissance d'entités nommées (REN) est une tâche de traitement automatique du langage naturel qui détecte et étiquette automatiquement des entités dans un texte — telles que des personnes, des organisations, des lieux et des dates.

Étudiée par Nadeau et Sekine (2007) puis perfectionnée avec des architectures neuronales par Lample et al. (2016), elle transforme un texte libre en segments étiquetés que les outils en aval peuvent utiliser.

L’intuition derrière la méthode

Un document mentionne des noms, des lieux et des dates dans une prose ordinaire, mais une machine ne voit qu'un flux de mots. L'objectif de la REN est de trouver les segments qui font référence à des entités du monde réel et d'attacher le bon type d'étiquette à chacun. Au lieu qu'une personne lise et surligne les noms à la main, la méthode analyse le texte, décide quels mots forment une entité et l'étiquette comme personne, organisation, lieu, date, etc.

Histoire

La reconnaissance d'entités nommées a été consolidée en tant que tâche dans l'étude de Nadeau et Sekine (2007), qui ont examiné les méthodes basées sur des règles et des caractéristiques du domaine. Les travaux de Lample et al. (2016) à la NAACL ont ensuite introduit des architectures neuronales pour la REN, orientant le domaine vers des modèles d'étiquetage de séquence qui apprennent des représentations contextuelles plutôt que de s'appuyer sur des caractéristiques construites manuellement.

Quand l’utiliser

La REN est pertinente lorsque vous disposez de données textuelles et d'un modèle linguistique qui prend en charge la langue de ce texte, avec un prétraitement appliqué au préalable. Une quantité raisonnable de texte est nécessaire ; avec un corpus très petit, le modèle fonctionne mal et l'extraction simple de mots-clés basée sur des règles est le choix le plus sûr. S'il n'y a pas de données textuelles du tout, la REN ne peut pas fonctionner et vous devriez analyser du contenu structuré à la place.

Limites et points d’attention

  • Sur un petit corpus, les performances du modèle diminuent, et l'extraction simple de mots-clés basée sur des règles devient la meilleure option.
  • Les performances dépendent du modèle linguistique prenant en charge la langue cible du texte.
  • Nécessite un prétraitement ; sans une tokenisation propre, les limites des entités sont détectées de manière peu fiable.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Transforme le texte non structuré en segments d'entités structurés et typés que les tâches en aval peuvent consommer.
  • Couvre plusieurs approches : correspondance basée sur des règles pour les petits problèmes, étiquetage de séquence neuronal pour les grands.
  • Identifie plusieurs classes d'entités — personnes, organisations, lieux, dates — en un seul passage sur le texte.

Applications

  • Extraction de personnes, d'organisations et de lieux à partir de nouvelles et de rapports pour l'indexation.
  • Identification d'entités nommées dans des textes cliniques ou biomédicaux pour des enregistrements structurés.
  • Extraction de mentions d'entreprises, de lieux et de dates à partir de grandes collections de documents.
  • Alimentation d'entités étiquetées dans des pipelines d'extraction d'informations et de relations en aval.

Comment ça marche

Comment ça marche

1

Le texte brut est nettoyé et segmenté en unités analysables — les phrases sont divisées et les mots sont tokenisés — afin que les limites des entités puissent être détectées de manière cohérente. Le modèle linguistique choisi doit prendre en charge la langue cible pour que cela fonctionne.

2

Chaque token est converti en caractéristiques que le modèle peut lire. Selon l'approche, cela signifie des règles écrites à la main et des dictionnaires, des vecteurs de caractéristiques classiques, ou des plongements contextuels issus d'un modèle neuronal — chacun fournissant au système d'étiquetage le signal dont il a besoin pour reconnaître une entité.

3

Le modèle attribue une étiquette de type d'entité à chaque segment de token. Une approche basée sur des règles fait correspondre des motifs et des dictionnaires, une approche d'apprentissage automatique utilise un étiqueteur de séquence entraîné, et une approche neuronale applique une architecture qui capture le contexte. Le résultat est un ensemble de segments de texte étiquetés avec des types tels que personne, organisation, lieu et date.

4

Les segments étiquetés sont évalués par rapport à des données étiquetées en utilisant la précision, le rappel et le score F1, et les entités incorrectes ou manquées sont inspectées avant que le modèle ne soit utilisé. Cela évite de faire confiance à un étiqueteur qui manque silencieusement une classe entière d'entités.

Pièges courants

  • Exécuter la reconnaissance d'entités nommées sur un petit corpus (moins de ~100 documents) où le modèle sous-performe — revenir à l'extraction de mots-clés basée sur des règles à la place.
  • Appliquer un modèle qui ne prend pas en charge la langue du corpus, ce qui dégrade la reconnaissance.
  • Ignorer le prétraitement de sorte que le texte bruyant ou mal tokenisé brise les limites des entités.
  • Juger l'étiqueteur uniquement par sa précision lorsqu'une classe entière d'entités est manquée ; rapporter la précision, le rappel et le score F1 et inspecter les entités manquées.

Questions fréquentes

Basée sur des règles, apprentissage automatique ou neuronale — quelle approche devrais-je utiliser ?

Une approche basée sur des règles fait correspondre des motifs et des dictionnaires et fonctionne sur de petits problèmes sans données étiquetées. Un étiqueteur de séquence d'apprentissage automatique apprend à partir d'exemples étiquetés et s'adapte à votre domaine. Une approche neuronale utilise des architectures contextuelles et donne généralement les meilleurs résultats sur de grands corpus, à un coût de calcul plus élevé.

Que se passe-t-il si mon corpus est très petit ?

Sur un petit corpus (environ moins de 100 documents), les performances du modèle de REN diminuent. Dans ce cas, une approche plus simple d'extraction de mots-clés basée sur des règles est préférée à un modèle complet de reconnaissance d'entités.

La REN fonctionne-t-elle dans des langues autres que l'anglais ?

Oui, mais le modèle linguistique choisi doit prendre en charge la langue cible du texte. Un modèle qui ne couvre pas la langue du corpus est une cause fréquente de mauvaise reconnaissance.

Comment la REN est-elle évaluée ?

Les segments étiquetés sont comparés à des données étiquetées en utilisant la précision, le rappel et le score F1. L'inspection des entités manquées et incorrectes est importante, car un étiqueteur peut échouer silencieusement à détecter une classe entière d'entités tout en semblant globalement précis.

Méthodes associées

Sources

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

    Ouvrir la référence de la publication
    Copié.
  2. Lample, G. et al. (2016). Neural Architectures for Named Entity Recognition. NAACL.

    Ouvrir la référence DOI
    Copié.