Nhận dạng thực thể có tên (Named Entity Recognition - NER)

Nhận dạng thực thể có tên (NER) là một nhiệm vụ cơ bản trong Xử lý ngôn ngữ tự nhiên (NLP) bao gồm tự động xác định và phân loại các thực thể có tên trong văn bản phi cấu trúc thành các danh mục được xác định trước. Các thực thể này có thể là bất kỳ đối tượng thực nào, chẳng hạn như người, tổ chức, địa điểm, ngày tháng, số lượng hoặc giá trị tiền tệ. Mục tiêu chính của NER là trích xuất thông tin có cấu trúc từ văn bản phi cấu trúc, giúp máy móc dễ dàng hiểu và xử lý ngôn ngữ của con người hơn. Bằng cách chuyển đổi văn bản thô thành định dạng mà máy có thể đọc được, NER đóng vai trò là một bước nền tảng cho nhiều ứng dụng AI cấp cao hơn, bao gồm truy xuất thông tin, trả lời câu hỏi và phân tích nội dung.

Các hệ thống NER hiện đại thường được xây dựng bằng cách sử dụng các mô hình học máy, đặc biệt là các kiến trúc học sâu. Các mô hình này được huấn luyện trên các bộ dữ liệu lớn, được chú thích, nơi con người đã gắn nhãn các thực thể. Thông qua dữ liệu huấn luyện này, mô hình học cách nhận ra các mẫu ngữ cảnh và các đặc điểm ngôn ngữ liên quan đến các loại thực thể khác nhau. Các mô hình tiên tiến như BERT và các kiến trúc dựa trên Transformer khác có hiệu quả cao trong NER vì chúng có thể xử lý toàn bộ ngữ cảnh của một câu để đưa ra các dự đoán chính xác.

Các Ứng dụng Thực tế

NER là một công nghệ nền tảng cung cấp sức mạnh cho vô số ứng dụng trong nhiều ngành công nghiệp khác nhau. Bằng cách cấu trúc thông tin, nó cho phép tự động hóa và cung cấp những hiểu biết có giá trị.

• Đề xuất và Tìm kiếm Nội dung: Các nhà cung cấp tin tức và nền tảng nội dung sử dụng NER để quét các bài báo, xác định những người, địa điểm và chủ đề chính, sau đó gắn thẻ nội dung cho phù hợp. Điều này cải thiện mức độ liên quan của kết quả tìm kiếm và cung cấp năng lượng cho các công cụ đề xuất nội dung được cá nhân hóa. Ví dụ: một hệ thống có thể xác định "Apple Inc." là một tổ chức và "Tim Cook" là một người, liên kết các bài báo về cả hai. Đây là một thành phần quan trọng trong việc tăng cường khả năng tìm kiếm ngữ nghĩa.
• AI trong lĩnh vực chăm sóc sức khỏe: Trong lĩnh vực y tế, NER được sử dụng để trích xuất thông tin quan trọng từ các ghi chú lâm sàng, các bài báo nghiên cứu và hồ sơ bệnh nhân. Nó có thể xác định tên bệnh nhân, bệnh tật, triệu chứng, thuốc men và liều lượng. Dữ liệu có cấu trúc này rất quan trọng để tăng tốc phân tích hình ảnh y tế, hợp lý hóa việc đối sánh thử nghiệm lâm sàng và xây dựng biểu đồ tri thức toàn diện cho nghiên cứu y học.
• Tự động hóa hỗ trợ khách hàng: Chatbot và hệ thống hỗ trợ sử dụng NER để hiểu các truy vấn của người dùng hiệu quả hơn. Ví dụ: trong câu "Màn hình iPhone 15 của tôi bị nứt", một mô hình NER sẽ xác định "iPhone 15" là một sản phẩm và "màn hình bị nứt" là một vấn đề. Điều này cho phép hệ thống tự động phân loại ticket và chuyển nó đến bộ phận hỗ trợ chính xác, giúp cải thiện hiệu quả.

NER so với Các khái niệm liên quan

NER thường được sử dụng cùng với các tác vụ NLP khác nhưng có một trọng tâm riêng biệt:

• Phân tích cảm xúc (Sentiment Analysis): Xác định sắc thái cảm xúc (tích cực, tiêu cực, trung tính) được thể hiện trong văn bản. NER xác định cái gì đang được thảo luận, trong khi phân tích cảm xúc xác định người viết cảm thấy thế nào về nó.
• Trích xuất từ khóa: Tác vụ này xác định các thuật ngữ hoặc cụm từ quan trọng trong một văn bản. Mặc dù một số từ khóa có thể là các thực thể được đặt tên, nhưng keyword extraction rộng hơn và ít cấu trúc hơn. NER xác định cụ thể các thực thể và phân loại chúng vào các danh mục được xác định trước như PERSON hoặc LOCATION. Bạn có thể tìm hiểu thêm về điều này tại các nguồn về trích xuất từ khóa.
• Phát hiện đối tượng: Đây là một nhiệm vụ Thị giác máy tính (CV) xác định và định vị các đối tượng trong hình ảnh bằng cách sử dụng các kỹ thuật như hộp giới hạn. NER hoạt động hoàn toàn trên dữ liệu văn bản, trong khi các mô hình như Ultralytics YOLO thực hiện phát hiện trên dữ liệu trực quan cho các nhiệm vụ phát hiện khác nhau.
• Hiểu Ngôn Ngữ Tự Nhiên (Natural Language Understanding - NLU): Một lĩnh vực rộng lớn hơn bao gồm sự hiểu biết tổng thể về ý nghĩa văn bản, bao gồm nhận dạng ý định và trích xuất quan hệ. NER được coi là một nhiệm vụ con cụ thể trong NLU chỉ tập trung vào việc xác định và phân loại thực thể.
• Tóm Tắt Văn Bản (Text Summarization): Điều này nhằm mục đích tạo ra một bản tóm tắt ngắn gọn của một tài liệu dài. Mặc dù nó có thể sử dụng NER để xác định các thực thể chính để đưa vào bản tóm tắt, nhưng mục tiêu chính của nó là cô đọng, không phải trích xuất.

Công cụ và Nền tảng

Một hệ sinh thái mạnh mẽ gồm các công cụ và thư viện hỗ trợ sự phát triển của các mô hình NER.

• Thư viện: Các thư viện mã nguồn mở như spaCy và NLTK được sử dụng rộng rãi và cung cấp các mô hình và công cụ được huấn luyện trước để xây dựng các hệ thống NER tùy chỉnh. Các thư viện này xử lý các tác vụ phức tạp như tokenization (phân tách từ)/a> và trích xuất đặc trưng.
• Nền tảng: Hugging Face Hub cung cấp hàng nghìn mô hình được huấn luyện trước, bao gồm nhiều mô hình cho NER, có thể được tinh chỉnh cho các trường hợp sử dụng cụ thể. Để quản lý vòng đời mô hình đầu cuối, các nền tảng như Ultralytics HUB cung cấp các khả năng MLOps mạnh mẽ, từ huấn luyện và xác thực đến triển khai mô hình cuối cùng. Mặc dù Ultralytics chuyên về CV, nhưng các nguyên tắc của MLOps là phổ quát trên các lĩnh vực AI. Bạn có thể tìm thêm chi tiết trong tài liệu của chúng tôi.