AI-For-Beginners/translations/hr/lessons/5-NLP/19-NER

Prepoznavanje imenovanih entiteta

Do sada smo se uglavnom fokusirali na jedan NLP zadatak - klasifikaciju. Međutim, postoje i drugi NLP zadaci koji se mogu ostvariti pomoću neuronskih mreža. Jedan od tih zadataka je Prepoznavanje imenovanih entiteta (NER), koji se bavi prepoznavanjem specifičnih entiteta unutar teksta, poput mjesta, imena osoba, vremenskih intervala, kemijskih formula i slično.

Kviz prije predavanja

Primjer korištenja NER-a

Pretpostavimo da želite razviti chatbot za prirodni jezik, sličan Amazon Alexi ili Google Asistentu. Inteligentni chatboti funkcioniraju tako da razumiju što korisnik želi, koristeći klasifikaciju teksta na ulaznoj rečenici. Rezultat te klasifikacije je takozvani intencija, koja određuje što chatbot treba učiniti.

Slika autora

Međutim, korisnik može pružiti neke parametre kao dio fraze. Na primjer, kada pita za vremensku prognozu, može navesti lokaciju ili datum. Bot bi trebao razumjeti te entitete i popuniti odgovarajuće parametarske prostore prije nego što izvrši radnju. Upravo tu dolazi NER.

✅ Drugi primjer bio bi analiza znanstvenih medicinskih radova. Jedna od glavnih stvari koje trebamo tražiti su specifični medicinski pojmovi, poput bolesti i medicinskih supstanci. Dok se mali broj bolesti vjerojatno može izdvojiti pretraživanjem podnizova, složeniji entiteti, poput kemijskih spojeva i naziva lijekova, zahtijevaju složeniji pristup.

NER kao klasifikacija tokena

NER modeli su u suštini modeli za klasifikaciju tokena, jer za svaki ulazni token moramo odlučiti pripada li nekom entitetu ili ne, a ako pripada - kojem razredu entiteta.

Razmotrimo sljedeći naslov rada:

Regurgitacija trikuspidnog zaliska i litijev karbonat toksičnost kod novorođenčeta.

Entiteti ovdje su:

• Regurgitacija trikuspidnog zaliska je bolest (DIS)
• Litijev karbonat je kemijska supstanca (CHEM)
• Toksičnost je također bolest (DIS)

Primijetite da jedan entitet može obuhvatiti nekoliko tokena. I, kao u ovom slučaju, moramo razlikovati između dva uzastopna entiteta. Stoga je uobičajeno koristiti dvije klase za svaki entitet - jednu koja označava prvi token entiteta (često se koristi prefiks B-, za početak), i drugu - nastavak entiteta (I-, za unutarnji token). Također koristimo O kao klasu za predstavljanje svih ostalih tokena. Takvo označavanje tokena naziva se BIO označavanje (ili IOB). Kada se označi, naš naslov će izgledati ovako:

Token	Oznaka
Trikuspidni	B-DIS
zalistak	I-DIS
regurgitacija	I-DIS
i	O
litijev	B-CHEM
karbonat	I-CHEM
toksičnost	B-DIS
kod	O
novorođenčeta	O
.	O

Budući da trebamo izgraditi jedno-na-jedno korespondenciju između tokena i klasa, možemo trenirati desno mnogostruko-na-mnogostruko neuronski mrežni model iz ove slike:

Slika iz ovog blog posta autora Andreja Karpathyja. NER modeli za klasifikaciju tokena odgovaraju desno najudaljenijoj arhitekturi mreže na ovoj slici.

Treniranje NER modela

Budući da je NER model u suštini model za klasifikaciju tokena, možemo koristiti RNN-ove s kojima smo već upoznati za ovaj zadatak. U ovom slučaju, svaki blok rekurentne mreže vraća ID tokena. Sljedeći primjer bilježnice pokazuje kako trenirati LSTM za klasifikaciju tokena.

✍️ Primjeri bilježnica: NER

Nastavite svoje učenje u sljedećoj bilježnici:

• NER s TensorFlowom

Zaključak

NER model je model za klasifikaciju tokena, što znači da se može koristiti za klasifikaciju tokena. Ovo je vrlo čest zadatak u NLP-u, koji pomaže prepoznati specifične entitete unutar teksta, uključujući mjesta, imena, datume i više.

🚀 Izazov

Dovršite zadatak povezan dolje kako biste trenirali model za prepoznavanje medicinskih entiteta, a zatim ga isprobajte na drugom skupu podataka.

Kviz nakon predavanja

Pregled i samostalno učenje

Pročitajte blog Nevjerojatna učinkovitost rekurentnih neuronskih mreža i slijedite odjeljak Daljnje čitanje u tom članku kako biste produbili svoje znanje.

Zadatak

U zadatku za ovu lekciju, morat ćete trenirati model za prepoznavanje medicinskih entiteta. Možete započeti s treniranjem LSTM modela kako je opisano u ovoj lekciji, a zatim nastaviti s korištenjem BERT transformacijskog modela. Pročitajte upute kako biste dobili sve detalje.

---