Named Entity Recognition (NER)

Nhận dạng Thực thể Có tên (NER) là một tác vụ phụ cốt lõi của Xử lý Ngôn ngữ Tự nhiên (NLP), bao gồm việc xác định và phân loại các thông tin chính trong văn bản phi cấu trúc. Trong một quy trình làm việc điển hình, mô hình NER sẽ quét tài liệu để định vị các "thực thể"—những từ hoặc cụm từ cụ thể đại diện cho các đối tượng trong thế giới thực—và gán chúng vào các danh mục được xác định trước như tên người, tổ chức, địa điểm, ngày tháng hoặc mã y tế. Quá trình này rất cần thiết để chuyển đổi dữ liệu phi cấu trúc thô như email, đánh giá của khách hàng và bài báo thành các định dạng có cấu trúc mà máy móc có thể xử lý và phân tích. Bằng cách trả lời câu hỏi "ai, cái gì và ở đâu" trong văn bản, NER cho phép các hệ thống Trí tuệ Nhân tạo (AI) trích xuất tự động những thông tin có ý nghĩa từ khối lượng dữ liệu khổng lồ.

Link to this sectionNER hoạt động như thế nào#

Các hệ thống NER hiện đại tận dụng các mô hình thống kê tiên tiến và kỹ thuật Học sâu (DL) để hiểu ngữ cảnh xung quanh một từ. Quá trình bắt đầu với tokenization, trong đó một câu được chia nhỏ thành các đơn vị riêng lẻ gọi là token. Các kiến trúc phức tạp, chẳng hạn như Transformer, sau đó phân tích mối quan hệ giữa các token này để xác định ý nghĩa của chúng dựa trên cách sử dụng.

Ví dụ, từ "Apple" có thể đề cập đến một loại trái cây hoặc một công ty công nghệ tùy thuộc vào câu. Thông qua các cơ chế như self-attention, mô hình NER nhận biết rằng "Apple released a new phone" đề cập đến một Tổ chức, trong khi "I ate an apple" đề cập đến một đối tượng thông thường. Hiệu suất của các mô hình này phụ thuộc rất lớn vào dữ liệu huấn luyện chất lượng cao và gán nhãn dữ liệu chính xác. Trong các ứng dụng đa phương thức, NER thường được kết hợp với Nhận dạng Ký tự Quang học (OCR) để trích xuất văn bản từ hình ảnh trước khi xử lý.

Link to this sectionCác ứng dụng trong thực tế#

NER là công nghệ nền tảng cho nhiều công cụ tự động hóa thông minh được sử dụng trong các ngành công nghiệp khác nhau.

• AI trong Chăm sóc Sức khỏe: Các cơ sở y tế sử dụng NER để khai thác hồ sơ sức khỏe điện tử nhằm tìm kiếm dữ liệu quan trọng. Bằng cách trích xuất các thực thể như triệu chứng, tên thuốc và liều lượng từ các ghi chú lâm sàng, các nhà nghiên cứu có thể tăng tốc việc khám phá thuốc và cải thiện chăm sóc bệnh nhân.
• Hỗ trợ Khách hàng Thông minh: Các công ty sử dụng chatbot được trang bị NER để tự động phân loại khiếu nại của khách hàng. Nếu người dùng nhắn tin, "Màn hình máy tính của tôi bị hỏng," hệ thống sẽ xác định "máy tính" là Sản phẩm và "màn hình bị hỏng" là Lỗi, từ đó chuyển yêu cầu đến nhóm hỗ trợ kỹ thuật ngay lập tức.
• Gợi ý Nội dung: Các dịch vụ phát trực tuyến và bộ tổng hợp tin tức sử dụng NER để gắn thẻ nội dung với các thực thể liên quan (ví dụ: diễn viên, thể loại, địa điểm). Hệ thống gợi ý sau đó sử dụng các thẻ này để đề xuất phim hoặc bài viết mới phù hợp với sở thích của người dùng.
• Phân tích Tài chính: Các công ty đầu tư sử dụng NER để quét hàng ngàn báo cáo tài chính và bài báo mỗi ngày. Bằng cách trích xuất tên công ty và giá trị tiền tệ, họ có thể thực hiện mô hình dự đoán để dự báo xu hướng thị trường.

Link to this sectionPhân biệt NER với các Khái niệm Liên quan#

Việc phân biệt NER với các tác vụ diễn giải khác sẽ hữu ích để hiểu rõ vai trò cụ thể của nó trong quy trình AI.

• Nhận diện Đối tượng: Trong khi NER xác định các thực thể trong văn bản, nhận diện đối tượng xác định các thực thể trong hình ảnh. Ví dụ, một mô hình thị giác như YOLO26 phát hiện ô tô và người đi bộ trong luồng video, trong khi NER phát hiện "Ford" và "tài xế" trong các báo cáo văn bản. Cả hai tác vụ đều nhằm mục đích định vị và phân loại các mục tiêu quan tâm trong các phương thức dữ liệu tương ứng của chúng.
• Phân tích Cảm xúc: Tác vụ này xác định tông giọng cảm xúc (tích cực, tiêu cực hoặc trung tính) của một văn bản. NER trích xuất cái gì đang được thảo luận (ví dụ: "iPhone 16"), trong khi phân tích cảm xúc xác định người dùng cảm thấy thế nào về điều đó (ví dụ: "thật tuyệt vời").
• Hiểu Ngôn ngữ Tự nhiên (NLU): NLU là một thuật ngữ bao quát hơn cho khả năng hiểu ngôn ngữ của máy móc. NER là một thành phần cụ thể của NLU, thường hoạt động song song với việc phân loại ý định để nắm bắt trọn vẹn ý nghĩa đầu vào của người dùng.
• Trích xuất Từ khóa: Khác với NER, vốn phân loại các từ vào các danh mục ngữ nghĩa (ví dụ: Người, Ngày), trích xuất từ khóa chỉ đơn giản là xác định các thuật ngữ thường xuyên nhất hoặc liên quan nhất trong tài liệu mà không cần hiểu loại thực thể của chúng.

Link to this sectionKết hợp NER với Thị giác Máy tính#

Sự hội tụ giữa văn bản và thị giác là một xu hướng ngày càng tăng trong Học Đa phương thức (Multi-Modal Learning). Các mô hình như YOLO-World thu hẹp khoảng cách này bằng cách sử dụng các chỉ dẫn văn bản để hướng dẫn nhận diện đối tượng. Trong quy trình này, bộ mã hóa văn bản hoạt động tương tự như hệ thống NER, diễn giải ý nghĩa ngữ nghĩa của các tên lớp (thực thể) do người dùng cung cấp để tìm các đối tượng thị giác tương ứng.

Ví dụ Python sau đây minh họa cách sử dụng thư viện ultralytics để phát hiện các đối tượng dựa trên các mô tả văn bản tùy chỉnh, qua đó liên kết hiệu quả các thực thể ngôn ngữ tự nhiên với dữ liệu thị giác.

from ultralytics import YOLOWorld

# Load a YOLO-World model capable of understanding text-based entities
model = YOLOWorld("yolov8s-world.pt")

# Define custom entities to search for in the image
# The model interprets these text strings to identify visual matches
model.set_classes(["red backpack", "person wearing hat", "dog"])

# Run inference on an image to localize these entities
results = model.predict("park_scene.jpg")

# Display the results with bounding boxes around detected entities
results[0].show()

Link to this sectionCông cụ và Triển khai#

Các nhà phát triển có quyền truy cập vào một hệ sinh thái công cụ mạnh mẽ để triển khai NER. Các thư viện mã nguồn mở phổ biến như spaCy và NLTK cung cấp các pipeline được huấn luyện sẵn để sử dụng ngay lập tức. Đối với các ứng dụng quy mô doanh nghiệp, các dịch vụ đám mây như Google Cloud Natural Language cung cấp các API được quản lý có khả năng mở rộng theo nhu cầu.

Việc quản lý vòng đời của các mô hình AI này—dù là cho văn bản hay thị giác—đòi hỏi các hoạt động vận hành hiệu quả. Ultralytics Platform đơn giản hóa các quy trình MLOps này, cung cấp một môi trường thống nhất để quản lý bộ dữ liệu, huấn luyện mô hình và triển khai các giải pháp. Điều này đảm bảo rằng các dự án AI luôn có khả năng mở rộng và sẵn sàng cho môi trường sản xuất, hỗ trợ việc cải tiến liên tục các mô hình như YOLO26 để đạt hiệu suất vượt trội.