Named Entity Recognition

Unterstützte Sprachen für Eingabetext

Anwendungsfälle

Sie können den NER-Endpunkt in den folgenden Szenarios effektiv verwenden:

Inhalte für Nachrichtenanbieter klassifizieren

Die Klassifizierung und Kategorisierung von Nachrichtenartikelinhalten kann sich als schwierig erweisen. Das NER-Modell kann Artikel automatisch scannen, um die wichtigsten Personen, Organisationen und Orte darin zu identifizieren. Die extrahierten Entitys können als Tags mit den zugehörigen Artikeln gespeichert werden. Wenn Sie die relevanten Tags für jeden Artikel kennen, können Sie die Artikel in definierten Hierarchien und die Inhaltserkennung automatisch kategorisieren.

Kundensupport

Durch das Erkennen relevanter Entitys in Kundenbeschwerden und -feedback, Produktspezifikationen, Abteilungsdetails oder Firmenzweigdetails können Sie das Feedback entsprechend klassifizieren. Die Entitys können dann an die für das identifizierte Produkt verantwortliche Person weitergeleitet werden.

Ebenso können Sie Feedback-Tweets basierend auf ihrem Standort und den genannten Produkten kategorisieren.

Effiziente Suchalgorithmen

Mit NER können Sie Entitys extrahieren, die dann anhand der Abfrage durchsucht werden, anstatt online nach einer Abfrage über Millionen von Artikeln und Websites zu suchen. Bei der Ausführung für Artikel werden alle relevanten Entitys, die den einzelnen Artikeln zugeordnet sind, extrahiert und separat gespeichert. Diese Trennung kann den Suchvorgang erheblich beschleunigen. Der Suchbegriff wird nur mit einer kleinen Liste von Entitys in jedem Artikel abgeglichen, was zu einer schnellen und effizienten Suche führt.

Er kann für die Suche nach Inhalten aus Millionen von Forschungsartikeln, Wikipedia-Einträgen, Blogs, Artikeln usw. verwendet werden.

Inhaltsempfehlungen

Mit NER ist es möglich, Entitys aus einem bestimmten Artikel zu extrahieren und andere Artikel zu empfehlen, deren Entitys diesen am nächsten kommen. Beispielsweise kann NER effektiv verwendet werden, um Inhaltsempfehlungen für einen Kunden aus der Medienindustrie zu entwickeln. Sie ermöglicht die Extraktion der mit historischen Inhalten oder vorherigen Aktivitäten verknüpften Entitys. NER vergleicht diese mithilfe des zugewiesenen Labels mit anderen unbekannten Inhalten, um so nach relevanten Entities zu filtern.

Bewerber automatisch zusammenfassen

Das NER-Modell kann die Bewertung von Bewerbern erleichtern, indem es den Aufwand für die engere Auswahl der Bewerber bei einer großen Zahl an Bewerbungen vereinfacht. Recruiter können sie anhand von identifizierten Entitys wie Standort, Hochschulabschluss, Arbeitgebern, Qualifikationen, Bezeichnungen, Zertifizierungen und Patenten filtern und kategorisieren.

Unterstützte Entitys

In der folgenden Tabelle werden die verschiedenen Entitys beschrieben, die NER extrahieren kann. Der Entitytyp und der Subtyp hängen von der API ab, die Sie aufrufen (detectDominantLanguageEntities oder batchDetectDominantLanguageEntities).

NATIONALITIES, 
RELIGIOUS and 
POLITICAL GROUPS

("GB") - United Kingdom

("AU") - Australia 

("NZ") - New Zealand 

("SG") - Singapore 

("IN") - India

("US")  - United States

Beispiele

Red Bull Racing Honda, the four-time Formula-1 World 
Champion team, has chosen Oracle Cloud Infrastructure 
(OCI) as their infrastructure partner.

Red Bull Racing Honda [ORG] 1.0000
four-time [QUANTITY/NUMBER] 1.0000
Formula-1 World [EVENT] 0.9705
Oracle Cloud Infrastructure (OCI [ORG] 0.9811

OCI recently added new services to the existing 
compliance program including SOC, HIPAA, and ISO, to enable our customers 
to solve their use cases. We also released new technical papers and 
guidance documents related to Object Storage, the Australian Prudential 
Regulation Authority (APRA), and the Central Bank of Brazil. These 
resources help regulated customers better understand how OCI 
supports their regional and industry-specific compliance requirements. 
Not only are we expanding our number of compliance offerings and 
regulatory alignments, we continue to add regions and services at 
a faster rate.

OCI [ORG] 1.0000
SOC [ORG] 1.0000
HIPAA [ORG] 1.0000
ISO [ORG] 1.0000
Australian Prudential Regulation Authority [ORG] 1.0000
Central Bank of Brazil [ORG] 0.9998
OCI [ORG] 1.0000

JSON für das erste Beispiel:

Beispielanforderung

POST https://<region-url>/20210101/actions/batchDetectLanguageEntities

API-Anforderungsformat:

"{
    "documents": [
       

{             "key": "doc1",             "text": " Red Bull Racing Honda, the four-time Formula-1 World Champion team, has chosen Oracle Cloud Infrastructure (OCI) as their infrastructure partner."         }
    ]
}"

JSON-Antwort

{
    "documents": [
        {
            "key": "1",
            "entities": [
                {
                    "offset": 0,
                    "length": 15,
                    "text": "Red Bull Racing",
                    "type": "ORGANIZATION",
                    "subType": null,
                    "score": 0.9914557933807373,
                    "metaInfo": null
                },
                {
                    "offset": 16,
                    "length": 5,
                    "text": "Honda",
                    "type": "ORGANIZATION",
                    "subType": null,
                    "score": 0.6515499353408813,
                    "metaInfo": null
                },
                {
                    "offset": 27,
                    "length": 9,
                    "text": "four-time",
                    "type": "QUANTITY",
                    "subType": null,
                    "score": 0.9998091459274292,
                    "metaInfo": [
                        {
                            "offset": 27,
                            "length": 9,
                            "text": "four-time",
                            "subType": "UNIT",
                            "score": 0.9998091459274292
                        }
                    ]
                },
                {
                    "offset": 47,
                    "length": 5,
                    "text": "World",
                    "type": "LOCATION",
                    "subType": "NON_GPE",
                    "score": 0.5825434327125549,
                    "metaInfo": null
                },
                {
                    "offset": 79,
                    "length": 27,
                    "text": "Oracle Cloud Infrastructure",
                    "type": "ORGANIZATION",
                    "subType": null,
                    "score": 0.998045802116394,
                    "metaInfo": null
                },
                {
                    "offset": 108,
                    "length": 3,
                    "text": "OCI",
                    "type": "ORGANIZATION",
                    "subType": null,
                    "score": 0.9986366033554077,
                    "metaInfo": null
                }
            ],
            "languageCode": "en"
        }
    ],
    "errors": []
}

Einschränkungen

• Manchmal werden Entitys nicht wie erwartet getrennt oder kombiniert.

• NER verwendet den Satzkontext, um Entitys zu identifizieren. Wenn der Kontext nicht im verarbeiteten Text vorhanden ist, werden Entitys möglicherweise nicht wie erwartet extrahiert.

• Text mit falschem Format (Struktur und Semantik) kann die Performance beeinträchtigen.

• Für Alter (age) gibt es keine eigene Entity. Altersbezogene Zeiträume werden daher möglicherweise als Datumsentity identifiziert.