Adlandırılmış Varlık Tanıma (AVT)
Named Entity Recognition (NER) · Ayrıca şöyle bilinir: NER, entity tagging, Adlandırılmış Varlık Tanıma (NER)
Adlandırılmış varlık tanıma (AVT), metinlerdeki kişi, kuruluş, yer ve tarih gibi varlıkları otomatik olarak algılayan ve etiketleyen bir doğal dil işleme görevidir. Nadeau ve Sekine (2007) tarafından incelenen ve daha sonra Lample ve arkadaşları (2016) tarafından sinirsel mimarilerle geliştirilen bu yöntem, serbest metni aşağı akış araçlarının kullanabileceği etiketlenmiş dilimlere dönüştürür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+27 tane daha
Ne zaman kullanılır
AVT, metin verileriniz ve bu metnin dilini destekleyen bir dil modeliniz olduğunda, önce ön işleme uygulandığında uygundur. Makul miktarda metin gereklidir; çok küçük bir derlemle model zayıf performans gösterir ve basit kural tabanlı anahtar kelime çıkarma daha güvenli bir seçenektir. Hiç metin verisi yoksa, AVT çalışamaz ve bunun yerine yapılandırılmış içeriği analiz etmelisiniz.
Güçlü yönler & sınırlılıklar
- Yapılandırılmamış metni, aşağı akış görevlerinin tüketebileceği yapılandırılmış, türlere ayrılmış varlık dilimlerine dönüştürür.
- Küçük problemler için kural tabanlı eşleştirme, büyük problemler için sinir dizisi etiketleme gibi birden fazla yaklaşımı kapsar.
- Metin üzerinde tek bir geçişte birden fazla varlık sınıfını — kişiler, kuruluşlar, yerler, tarihler — tanımlar.
- Küçük bir derlemde model performansı düşer ve basit kural tabanlı anahtar kelime çıkarma daha iyi seçenek haline gelir.
- Performans, dil modelinin metnin hedef dilini desteklemesine bağlıdır.
- Ön işleme gerektirir; temiz belirteçleme olmadan varlık sınırları güvenilmez bir şekilde tespit edilir.
SSS
Kural tabanlı, makine öğrenimi veya sinirsel — hangi yaklaşımı kullanmalıyım?
Kural tabanlı bir yaklaşım, kalıpları ve sözlükleri eşleştirir ve etiketlenmiş veriye ihtiyaç duymadan küçük problemler üzerinde çalışır. Bir makine öğrenimi dizisi etiketleyici, etiketlenmiş örneklerden öğrenir ve alanınıza uyum sağlar. Bir sinir yaklaşımı, bağlamsal mimarileri kullanır ve genellikle büyük derlemlerde daha iyi performans gösterir, ancak daha yüksek hesaplama maliyetiyle.
Derlemim çok küçükse ne olur?
Küçük bir derlemde (kabaca 100 belgenin altında) AVT modelinin performansı düşer. Bu durumda, tam bir varlık tanıma modeli yerine daha basit bir kural tabanlı anahtar kelime çıkarma yaklaşımı tercih edilir.
AVT İngilizce dışındaki dillerde çalışır mı?
Evet, ancak seçilen dil modelinin metnin hedef dilini desteklemesi gerekir. Derlem dilini kapsamayan bir model, kötü tanınmanın yaygın bir nedenidir.
AVT nasıl değerlendirilir?
Etiketlenmiş dilimler, kesinlik, duyarlılık ve F1 kullanılarak etiketlenmiş verilerle karşılaştırılır. Kaçırılan ve yanlış varlıkları incelemek önemlidir, çünkü bir etiketleyici, genel olarak doğru görünürken tüm bir varlık sınıfını tespit etmeyi sessizce kaçırabilir.
Kaynaklar
- Nadeau, D. & Sekine, S. (2007). A survey of named entity recognition. Lingvisticae Investigationes. link ↗
- Lample, G. et al. (2016). Neural Architectures for Named Entity Recognition. NAACL. DOI: 10.18653/v1/N16-1030 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Named Entity Recognition (NER). ScholarGate. https://scholargate.app/tr/text-mining/named-entity-recognition
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bilgi ÇıkarımıMetin madenciliği↔ karşılaştır
- Varlıklar Arası Anlamsal İlişkilerle İlişki ÇıkarımıMetin madenciliği↔ karşılaştır
- Metin SınıflandırmasıMetin madenciliği↔ karşılaştır