Cuprins[Ascunde][Spectacol]
Avem capacitatea înnăscută de a recunoaște și clasifica cuvintele în indivizi, locuri, locații, valori și multe altele ori de câte ori le auzim sau le citim. Oamenii sunt capabili să clasifice, să identifice și să înțeleagă cuvintele rapid.
De exemplu, puteți clasifica un obiect și puteți găsi rapid cel puțin trei până la patru calități atunci când auziți numele „Steve Jobs”.
- Persoană: „Steve Jobs”
- Organizație: „Apple”
- Locație: „California”
Deoarece computerelor le lipsește această abilitate înnăscută, trebuie să le ajutăm să recunoască cuvintele sau textul și să le clasifice. Recunoașterea entității denumite (NER) este utilizată în această situație.
În acest articol, vom examina NER (Named Entity Recognition) în detaliu, inclusiv importanța, beneficiile, API-urile NER de top și multe altele.
Ce este NER (Named Entity Recognition)?
O abordare de procesare a limbajului natural (NLP) cunoscută sub numele de recunoaștere a entității numite (NER), cunoscută uneori ca identificare a entității sau extracție a entității, recunoaște automat entitățile numite într-un text și le grupează în categorii predeterminate.
Entitățile includ nume de persoane, grupuri, locuri, date, sume, sume în dolari, procente și multe altele. Cu recunoașterea entității numite, puteți fie să o utilizați pentru a aduna date semnificative pentru o bază de date, fie pentru a extrage informații vitale pentru a înțelege despre ce este vorba într-un document.
NER este piatra de temelie de care depinde un sistem AI pentru a analiza textul pentru semantică și sentiment relativ, chiar dacă NLP reprezintă un progres semnificativ în procesul de analiză a textului.
Care este semnificația NER?
Fundamentul unei abordări de analiză a textului este NER. Un model ML trebuie să primească inițial milioane de mostre cu categorii predefinite înainte de a putea înțelege limba engleză.
API-ul se îmbunătățește cu timpul la recunoașterea acestor componente în textele pe care le citește pentru prima dată. Puterea motorului de analiză a textului crește odată cu competența și puterea capacității NER.
După cum se vede aici, mai multe operațiuni ML sunt declanșate de NER.
Căutare semantică
Căutarea semantică este acum disponibilă pe Google. Puteți introduce o întrebare și va face tot posibilul să răspundă cu un răspuns. Pentru a găsi informațiile pe care le caută un utilizator, asistenții digitali precum Alexa, Siri, chatbot și alții folosesc un tip de căutare semantică.
Această funcție poate fi greșită sau ratată, dar există un număr tot mai mare de utilizări pentru ea, iar eficiența lor crește rapid.
Analiza datelor
Aceasta este o expresie generală pentru utilizarea algoritmilor pentru a crea analize din date nestructurate. Acesta integrează metode de afișare a acestor date cu procesul de găsire și colectare a datelor pertinente.
Aceasta poate lua forma unei explicații statistice simple a rezultatelor sau a unei reprezentări vizuale a datelor. Analiza interesului și a implicării față de un anumit subiect se poate face folosind informații din vizionările YouTube, inclusiv atunci când spectatorii dau clic pe un anumit videoclip.
Evaluările cu stele ale unui produs pot fi analizate utilizând data scraping de pe site-urile de comerț electronic pentru a oferi un scor general al cât de bine se descurcă produsul.
Analiza sentimentelor
Explorând în continuare NER, Analiza sentimentului poate distinge între recenziile bune și rele chiar și în absența informațiilor din ratingurile cu stele.
Este conștient de faptul că termeni precum „supraevaluat”, „prețuitor” și „prost” au conotații negative, în timp ce termenii precum „util”, „rapid” și „ușor” au. Cuvântul „ușor” ar putea fi interpretat negativ într-un joc pe computer.
Algoritmii sofisticați pot recunoaște și relația dintre lucruri.
Text Analytics
Similar cu analiza datelor, analiza textului extrage informații din șiruri de text nestructurate și folosește NER pentru a concentra datele importante.
Poate fi folosit pentru a compila date despre mențiunile unui produs, prețul mediu sau termenii pe care clienții îi folosesc cel mai frecvent pentru a descrie o anumită marcă.
Analiza conținutului video
Cele mai complicate sisteme sunt cele care extrag date din informații video folosind recunoașterea facială, analiza audio și recunoașterea imaginilor.
Folosind analiza conținutului video, puteți găsi videoclipuri YouTube de „unboxing”, demonstrații de joc Twitch, sincronizări de buze ale materialului dvs. audio pe Reels și multe altele.
Pentru a evita pierderea de informații importante despre modul în care oamenii se conectează la produsul sau serviciul dvs. pe măsură ce volumul de material video online crește, tehnici mai rapide și mai inventive pentru analiza conținutului video bazată pe NER sunt esențiale.
Aplicarea în lumea reală a NER
Recunoașterea entității numite (NER) identifică aspecte esențiale dintr-un text, cum ar fi numele persoanelor, locațiile, mărcile, valorile monetare și multe altele.
Extragerea entităților majore dintr-un text ajută la sortarea datelor nestructurate și la detectarea informațiilor semnificative, ceea ce este esențial atunci când aveți de-a face cu seturi mari de date.
Iată câteva exemple fascinante din lumea reală de recunoaștere a entităților cu nume:
Analizarea Feedback-ului clienților
Recenziile online sunt o sursă fantastică de feedback al consumatorilor, deoarece vă pot oferi informații detaliate despre ceea ce le plac clienților și ce urăsc despre produsele dvs., precum și ce domenii ale companiei dvs. trebuie îmbunătățite.
Toate aceste contribuții ale clienților pot fi organizate folosind sisteme NER, care pot identifica și problemele recurente.
De exemplu, folosind NER pentru a identifica locurile care sunt adesea citate în recenziile nefavorabile ale clienților, puteți decide să vă concentrați asupra unei anumite sucursale de birou.
Recomandare pentru conținut
O listă de articole care sunt conectate cu cel pe care îl citiți poate fi găsită pe site-uri web precum BBC și CNN atunci când citiți un articol acolo.
Aceste site-uri web fac recomandări pentru site-uri web suplimentare care oferă informații despre entitățile pe care le-au extras din conținutul pe care îl citiți folosind NER.
Organizați bilete în asistența clienților
Puteți utiliza algoritmi de recunoaștere a entităților numite pentru a răspunde la solicitările clienților mai rapid dacă gestionați o creștere a numărului de bilete de asistență de la clienți.
Automatizați sarcinile de îngrijire a clienților care necesită timp, cum ar fi clasificarea plângerilor și întrebărilor clienților, pentru a economisi bani, pentru a crește fericirea clienților și pentru a crește ratele de rezoluție.
Extragerea entităților poate fi folosită și pentru a extrage date pertinente, cum ar fi numele produselor sau numerele de serie, pentru a facilita direcționarea biletelor către agentul sau echipa potrivită pentru rezolvarea problemei.
Algoritmul de căutare
Te-ai întrebat vreodată cum site-urile web cu milioane de informații pot produce rezultate relevante pentru căutarea ta? Luați în considerare site-ul web Wikipedia.
Wikipedia afișează o pagină care conține entități predefinite la care termenul de căutare se poate referi atunci când căutați „locuri de muncă”, în loc să returnați toate articolele cu cuvântul „locuri de muncă” în ele.
Astfel, Wikipedia oferă un link către articolul care definește „ocupația”, o secțiune pentru oameni numită Jobs și o altă zonă pentru media, cum ar fi filme, jocuri video, și alte forme de divertisment în care apare termenul „locuri de muncă”.
De asemenea, veți vedea un alt segment pentru locațiile care conțin cuvântul de căutare.
Îngrijirea CV-urilor
În căutarea candidatului ideal, recrutorii petrec o parte semnificativă a zilei examinând CV-urile. Fiecare CV are aceleași informații, dar toate sunt prezentate și organizate diferit, ceea ce este un exemplu tipic de date nestructurate.
Cele mai pertinente informații despre candidați pot fi extrase rapid de echipele de recrutare care utilizează extractoare de entități, inclusiv date personale (cum ar fi numele, adresa, numărul de telefon, data nașterii și e-mailul) și informații despre educația și experiența lor (cum ar fi certificările, gradul). , nume de companii, competențe etc).
E-commerce
În ceea ce privește algoritmul lor de căutare de produse, comercianții cu amănuntul online cu sute sau mii de bunuri ar beneficia de NER.
Fără NER, o căutare pentru „ghete negre din piele” ar returna rezultate care includ atât piele, cât și încălțăminte care nu erau negre. Dacă da, site-urile de comerț electronic riscă să piardă clienți.
IÎn cazul nostru, NER ar clasifica cuvântul de căutare ca tip de produs pentru cizme din piele și negru ca culoare.
Cele mai bune API-uri de extracție de entități
Google Cloud NLP
Pentru instrumentele deja instruite, Google Cloud NLP oferă API-ul său Natural Language. Sau, API-ul AutoML Natural Language este adaptabil pentru multe tipuri de extragere și analiză de text dacă doriți să vă educați instrumentele cu privire la terminologia industriei dvs.
API-urile interacționează cu ușurință cu Gmail, Google Sheets și alte aplicații Google, dar utilizarea lor cu programe terțe poate necesita un cod mai complex.
Opțiunea ideală de afaceri este să conectați aplicațiile Google și Cloud Storage ca servicii gestionate și API-uri.
IBM Watson
IBM Watson este o platformă multi-cloud care funcționează incredibil de rapid și oferă capabilități pre-construite, cum ar fi vorbirea în text, care este un software uimitor care poate analiza automat audio și apeluri telefonice înregistrate.
Cu ajutorul datelor CSV, IA de învățare profundă a Watson Natural Language Understanding poate crea modele de extracție pentru a extrage entități sau cuvinte cheie.
Și cu practică, puteți crea modele care sunt mult mai sofisticate. Toate funcționalitățile sale sunt accesibile prin intermediul API-urilor, deși sunt necesare cunoștințe extinse de codare.
Funcționează bine pentru companiile mari care au nevoie să examineze seturi de date enorme și au resurse tehnice interne.
Cortical.io
Folosind Semantic Folding, o noțiune din neurologie, Cortical.io oferă soluții de extragere a textului și NLU.
Acest lucru se face pentru a genera „amprente semantice”, care indică atât sensul unui text în întregul său, cât și termenii specifici. Pentru a demonstra relațiile dintre grupurile de cuvinte, amprentele semantice descriu datele text.
Documentația interactivă a API-ului Cortical.io acoperă funcționalitatea fiecăreia dintre soluțiile de analiză a textului și este ușor de accesat folosind API-urile Java, Python și Javascript.
Instrumentul Contract Intelligence de la Cortical.io a fost creat special pentru analiza juridică pentru a efectua căutări semantice, a transforma documentele scanate și a ajuta și îmbunătăți prin adnotare.
Este ideal pentru companiile care caută API-uri simple de utilizat care nu au nevoie de cunoștințe AI, în special în sectorul juridic.
Maimuta Invata
Toate limbajele majore ale computerelor sunt acceptate de API-urile MonkeyLearn și configurați doar câteva linii de cod pentru a produce un fișier JSON care conține entitățile dvs. extrase. Pentru extractori și analiști de text cu pregătire anterioară, interfața este ușor de utilizat.
Sau, în doar câțiva pași simpli, puteți crea un extractor unic. Pentru a reduce timpul și a îmbunătăți acuratețea, procesarea avansată a limbajului natural (NLP) cu deep masina de învățare vă permite să evaluați textul așa cum ar face o persoană.
În plus, API-urile SaaS asigură că configurarea conexiunilor cu instrumente precum Google Sheets, Excel, Zapier, Zendesk și altele nu necesită ani de cunoștințe în domeniul informaticii.
Momentan disponibile în browser-ul dvs. sunt extractorul de nume, extractorul companiei și extractorul de locație. Pentru informații despre cum să vă construiți propriul, consultați articolul de pe blogul de recunoaștere a entității denumite.
Este ideal pentru companiile de toate dimensiunile implicate în tehnologie, comerț cu amănuntul și comerț electronic care au nevoie de API-uri ușor de implementat pentru diferite tipuri de extragere și analiză de text.
Amazon Comprehend
Pentru a facilita conectarea și utilizarea imediată a instrumentelor pre-construite ale Amazon Comprehend, aceștia sunt instruiți în sute de domenii diferite.
Nu sunt necesare servere interne, deoarece acesta este un serviciu monitorizat. În special dacă utilizați în prezent cloud-ul Amazon la un anumit nivel, API-urile lor se integrează cu ușurință cu aplicațiile existente anterior. Și cu doar puțin mai mult antrenament, precizia extracției poate fi crescută.
Una dintre cele mai de încredere tehnici de analiză a textului pentru obținerea de date din dosarele medicale și din studiile clinice este Comprehend's Medical Named Entity and Relationship Extraction (NERe), care poate extrage detalii despre medicamente, afecțiuni, rezultate ale testelor și proceduri.
Când se compară datele pacientului pentru a evalua și a ajusta diagnosticul, poate fi destul de benefic. Cea mai bună opțiune pentru companiile care caută un serviciu gestionat cu instrumente pre-instruite.
Aylien
Pentru a oferi acces ușor la analiza robustă a textului de învățare automată, AYLIEN oferă trei plug-in-uri API în șapte limbaje de programare populare.
API-ul News lor oferă căutare în timp real și extrage de entități din zeci de mii de surse de știri din întreaga lume.
Extragerea entităților și alte câteva sarcini de analiză a textului pot fi efectuate folosind API-ul de analiză text pe documente, social media platforme, sondaje pentru consumatori și multe altele.
În cele din urmă, folosind Platforma de analiză a textului, vă puteți crea propriile extractoare și altele direct în browser (TAP). Funcționează bine pentru companiile care trebuie să integreze rapid API-urile fixe.
SpaCy
SpaCy este un pachet Python Natural Language Processing (NLP) care este open-source, gratuit și are o mulțime de funcții încorporate.
Devine din ce în ce mai comun pentru Date NLP prelucrare și analiză. Datele textuale nestructurate sunt create la o scară enormă, de aceea este crucial să le analizați și să extrageți informații din ele.
Pentru a realiza acest lucru, trebuie să prezentați faptele într-un mod pe care computerele să le poată înțelege. O poți face prin NLP. Este extrem de rapid, cu un timp de întârziere de doar 30 ms, dar în mod critic, nu este destinat utilizării cu pagini HTTPS.
Aceasta este o opțiune bună pentru scanarea propriilor servere sau intranet, deoarece funcționează local, dar nu este un instrument pentru studierea întregului internet.
Concluzie
Recunoașterea entităților numite (NER) este un sistem pe care companiile îl pot utiliza pentru a eticheta informațiile relevante în solicitările de asistență pentru clienți, pentru a găsi entități la care se face referire în feedback-ul clienților și pentru a extrage rapid date cruciale, cum ar fi detalii de contact, locații și date, printre altele.
Cea mai comună abordare a recunoașterii unei entități denumite este prin utilizarea API-urilor de extracție a entităților (fie că sunt furnizate de biblioteci open-source sau de produse SaaS).
Cu toate acestea, alegerea celei mai bune alternative se va baza pe timpul, finanțele și setul de abilități. Pentru orice tip de afacere, extracția de entități și tehnologiile mai sofisticate de analiză a textului pot fi în mod clar avantajoase.
Atunci când instrumentele de învățare automată sunt predate corect, ele sunt precise și nu trec cu vederea nicio dată, economisind timp și bani. Puteți configura aceste soluții să ruleze continuu și automat prin integrarea API-urilor.
Pur și simplu alegeți cursul de acțiune care este cel mai potrivit pentru compania dvs.
Lasă un comentariu