Named Entity Recognition (NER)

深入了解 NLP 中的命名实体识别 (NER)。学习如何识别并分类诸如名称和日期之类的文本实体，从而通过人工智能和 Ultralytics YOLO26 获得洞察。

命名实体识别（NER）是自然语言处理（NLP）的核心子任务，涉及在非结构化文本中识别和分类关键信息。在典型的工作流中，NER 模型会扫描文档以定位“实体”（代表现实世界对象的特定词语或短语），并将它们分配给预定义的类别，例如人名、组织、地点、日期或医疗代码。此过程对于将电子邮件、客户评论和新闻文章等原始非结构化数据转换为机器能够处理和分析的结构化格式至关重要。通过回答文本中的“谁、什么和哪里”，NER 使人工智能（AI）系统能够自动从大量信息中提取有意义的见解。

NER 的工作原理#

现代 NER 系统利用先进的统计模型和深度学习（DL）技术来理解单词周围的上下文。该过程从分词开始，即把句子分解为称为标记的各个单元。随后，复杂的架构（例如 Transformer）会分析这些标记之间的关系，根据用法确定它们的含义。

例如，根据句子的不同，“Apple”一词可以指代水果或科技公司。通过诸如自注意力之类的机制，NER 模型可以辨别出“Apple发布了一款新手机”指的是组织，而“我吃了一个苹果”指的是通用对象。这些模型的性能在很大程度上依赖于高质量的训练数据和精确的数据标注。在多模态应用中，NER 通常与光学字符识别（OCR）配对使用，以便在处理图像之前从中提取文本。

实际应用#

NER 是许多跨行业智能化自动化工具的基础技术。

医疗保健领域的 AI： 医疗机构使用 NER 从电子健康记录中挖掘关键数据。通过从临床记录中提取症状、药物名称和剂量等实体，研究人员可以加速药物研发并改善患者护理。
智能客服： 公司采用配备 NER 的聊天机器人来自动对客户投诉进行分类。如果用户发消息说“我的笔记本电脑屏幕坏了”，系统就会将“笔记本电脑”识别为产品，将“屏幕坏了”识别为缺陷，并立即将工单路由给技术支持团队。
内容推荐： 流媒体服务和新闻聚合器使用 NER 用相关实体（例如演员、流派、地点）为内容打标签。然后，推荐系统利用这些标签来推荐符合用户兴趣的新电影或文章。
金融分析： 投资公司利用 NER 每天扫描数千份财务报告和新闻文章。通过提取公司名称和货币价值，他们可以执行预测建模来预测市场趋势。

将 NER 与相关概念区分开来#

为了理解 NER 在 AI 流水线中的特定角色，将其与其他解释任务区分开来是很有帮助的。

目标检测： NER 在文本中识别实体，而目标检测则在图像中识别实体。例如，诸如 YOLO26 之类的视觉模型可检测视频流中的汽车和行人，而 NER 则在书面报告中检测“福特”和“司机”。这两项任务都旨在在其各自的数据模态中定位和分类感兴趣的项目。
情感分析： 此任务用于确定文本的情感基调（正面、负面或中立）。NER 提取讨论的是什么（例如“iPhone 16”），而情感分析则确定用户对此有何感受（例如“太棒了”）。
自然语言理解（NLU）： NLU 是机器阅读理解的更广泛的总称。NER 是 NLU 的一个特定组成部分，通常与意图分类协同工作，以全面把握用户输入的含义。
关键词提取： 与 NER 将词汇分类为语义类别（例如：人名、日期）不同，关键词提取只是识别文档中最频繁或相关的术语，而不了解其实体类型。

将 NER 与计算机视觉相结合#

文本与视觉的融合是多模态学习中日益增长的趋势。像 YOLO-World 这样的模型通过使用文本提示来引导目标检测，从而填补了这一鸿沟。在此工作流中，文本编码器的作用类似于 NER 系统，它解释用户提供的类名（实体）的语义，以找到对应的视觉对象。

以下 Python 示例演示了如何使用 ultralytics 库根据自定义文本描述检测对象，从而有效地将自然语言实体链接到视觉数据。

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()