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

नामित घटक ओळख (Named Entity Recognition)

आत्तापर्यंत आपण मुख्यतः एका NLP कार्यावर - वर्गीकरणावर लक्ष केंद्रित केले आहे. परंतु, न्यूरल नेटवर्क्सच्या मदतीने इतरही NLP कार्ये साध्य करता येतात. त्यापैकी एक कार्य म्हणजे नामित घटक ओळख (NER), ज्यामध्ये मजकुरातील विशिष्ट घटक ओळखणे समाविष्ट आहे, जसे की ठिकाणे, व्यक्तींची नावे, दिनांक-वेळेचे कालखंड, रासायनिक सूत्रे इत्यादी.

पूर्व-व्याख्यान प्रश्नमंजुषा

NER चा वापर करण्याचे उदाहरण

समजा, तुम्हाला Amazon Alexa किंवा Google Assistant सारखा नैसर्गिक भाषा चॅट बॉट विकसित करायचा आहे. हुशार चॅट बॉट्स कसे कार्य करतात? ते वापरकर्त्याला काय हवे आहे हे समजून घेण्यासाठी इनपुट वाक्यावर मजकूर वर्गीकरण करतात. या वर्गीकरणाचा परिणाम म्हणजे उद्देश (intent), जो ठरवतो की चॅट बॉटने काय करावे.

लेखकाने तयार केलेली प्रतिमा

तथापि, वापरकर्ता वाक्यांशाचा भाग म्हणून काही पॅरामीटर्स प्रदान करू शकतो. उदाहरणार्थ, हवामान विचारताना, ती व्यक्ती स्थान किंवा तारीख निर्दिष्ट करू शकते. बॉटने हे घटक समजून घेतले पाहिजेत आणि कृती करण्यापूर्वी पॅरामीटर स्लॉट्स योग्य प्रकारे भरले पाहिजेत. यासाठीच NER उपयुक्त ठरते.

✅ आणखी एक उदाहरण म्हणजे वैज्ञानिक वैद्यकीय लेखांचे विश्लेषण करणे. येथे मुख्यतः शोधायच्या गोष्टी म्हणजे विशिष्ट वैद्यकीय संज्ञा, जसे की रोग आणि वैद्यकीय पदार्थ. काही मोजक्या रोगांचे शोध substring शोधाचा वापर करून काढता येतील, परंतु रासायनिक संयुगे आणि औषधांच्या नावांसारख्या अधिक गुंतागुंतीच्या घटकांसाठी अधिक प्रगत दृष्टिकोन आवश्यक आहे.

NER म्हणजे टोकन वर्गीकरण

NER मॉडेल्स मूलत: टोकन वर्गीकरण मॉडेल्स असतात, कारण प्रत्येक इनपुट टोकनसाठी आपल्याला ठरवायचे असते की ते एखाद्या घटकाशी संबंधित आहे का, आणि असल्यास - कोणत्या घटक वर्गाशी संबंधित आहे.

खालील पेपर शीर्षक विचार करा:

Tricuspid valve regurgitation आणि lithium carbonate toxicity एका नवजात बालकात.

येथील घटक:

• Tricuspid valve regurgitation हा एक रोग आहे (DIS)
• Lithium carbonate हा एक रासायनिक पदार्थ आहे (CHEM)
• Toxicity हा देखील एक रोग आहे (DIS)

लक्षात घ्या की एक घटक अनेक टोकन्समध्ये विभागलेला असू शकतो. आणि, या प्रकरणात, आपल्याला दोन सलग घटकांमध्ये फरक करावा लागतो. म्हणूनच, प्रत्येक घटकासाठी दोन वर्ग वापरणे सामान्य आहे - एक घटकाच्या पहिल्या टोकनसाठी (B- उपसर्ग, म्हणजे beginning) आणि दुसरा घटकाच्या पुढील टोकन्ससाठी (I-, म्हणजे inner token). तसेच, इतर सर्व टोकन्ससाठी O वर्ग वापरला जातो. अशा प्रकारच्या टोकन टॅगिंगला BIO टॅगिंग (किंवा IOB) म्हणतात. टॅगिंग केल्यानंतर, आपले शीर्षक असे दिसेल:

Token	Tag
Tricuspid	B-DIS
valve	I-DIS
regurgitation	I-DIS
and	O
lithium	B-CHEM
carbonate	I-CHEM
toxicity	B-DIS
in	O
a	O
newborn	O
infant	O
.	O

टोकन्स आणि वर्गांमध्ये एक-ते-एक संबंध तयार करणे आवश्यक असल्याने, आपण या चित्रातून उजव्या बाजूला असलेल्या अनेक-ते-अनेक न्यूरल नेटवर्क मॉडेलला प्रशिक्षण देऊ शकतो:

Andrej Karpathy यांच्या या ब्लॉग पोस्टमधून घेतलेले चित्र. NER टोकन वर्गीकरण मॉडेल्स या चित्रातील उजव्या बाजूच्या नेटवर्क आर्किटेक्चरशी संबंधित आहेत.

NER मॉडेल्सचे प्रशिक्षण

NER मॉडेल हे मूलत: टोकन वर्गीकरण मॉडेल असल्याने, आपण यासाठी RNNs वापरू शकतो, ज्याबद्दल आपण आधीच शिकलेलो आहोत. या प्रकरणात, पुनरावृत्तीशील नेटवर्कचा प्रत्येक ब्लॉक टोकन ID परत करतो. खालील उदाहरण नोटबुकमध्ये टोकन वर्गीकरणासाठी LSTM कसे प्रशिक्षण द्यायचे ते दाखवले आहे.

✍️ उदाहरण नोटबुक्स: NER

खालील नोटबुकमध्ये तुमचे शिक्षण सुरू ठेवा:

• TensorFlow सह NER

निष्कर्ष

NER मॉडेल हे टोकन वर्गीकरण मॉडेल आहे, म्हणजेच ते टोकन वर्गीकरण करण्यासाठी वापरले जाऊ शकते. हे NLP मधील एक अतिशय सामान्य कार्य आहे, जे मजकुरातील विशिष्ट घटक ओळखण्यात मदत करते, जसे की ठिकाणे, नावे, तारखा आणि बरेच काही.

🚀 आव्हान

खालील लिंक केलेले असाइनमेंट पूर्ण करा, ज्यामध्ये वैद्यकीय संज्ञांसाठी NER मॉडेल प्रशिक्षण द्यायचे आहे, आणि नंतर ते वेगळ्या डेटासेटवर वापरून पहा.

व्याख्यानानंतरची प्रश्नमंजुषा

पुनरावलोकन आणि स्व-अभ्यास

The Unreasonable Effectiveness of Recurrent Neural Networks हा ब्लॉग वाचा आणि त्या लेखातील पुढील वाचन विभागातील संदर्भांचा अभ्यास करा, ज्यामुळे तुमचे ज्ञान अधिक सखोल होईल.

असाइनमेंट

या धड्याच्या असाइनमेंटमध्ये, तुम्हाला वैद्यकीय घटक ओळखण्यासाठी मॉडेल प्रशिक्षण द्यावे लागेल. या धड्यात वर्णन केल्याप्रमाणे LSTM मॉडेल प्रशिक्षण देऊन सुरुवात करा आणि नंतर BERT ट्रान्सफॉर्मर मॉडेल वापरण्याचा प्रयत्न करा. सर्व तपशील मिळवण्यासाठी सूचना वाचा.

---