• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
AI

Cos’è NER: Named Entity Recognition

Cos’è NER: Named Entity Recognition

NER, acronimo di Named Entity Recognition, si colloca all’interno di un campo di studi denominato information extraction (o estrazione dell’informazione).

Anche conosciuto come Entity Identification e Entity Extraction, si occupa d’identificare e classificare correttamente le Named Entity presenti in un testo in categorie predefinite come persone, luoghi, oggetti, numeri, espressioni temporali e via dicendo.

Combinando le informazioni estratte, un computer è in grado di definire l’argomento di un testo e comprenderlo propriamente.

Appartiene quindi al campo della Natural Language Processing.

Il fulcro del funzionamento di un sistema NER è la cosiddetta knowledge base, abbreviata in KB, contenente una lista di concetti noti, le Named Entities che possono essere estratte da un blocco di testo.

NER: Applicazioni pratiche

Ora che disponiamo di una conoscenza globale del significato del sistema NER, vediamone insieme alcune applicazioni pratiche!

Classificazione notizie e blog post

La Named Entity Recognition applicata a un sito di notizie sarebbe in grado di esplorare ogni articolo redatto e individuare i tag corretti in relazione al contenuto, e quindi all’argomento trattato.

Sarebbe in questo modo migliorata la ricerca dei contenuti e l’organizzazione degli stessi.

Efficienza di ricerca

Un sistema di ricerca convenzionale analizza il contenuto di un testo identificando le parole che corrispondono alla query scelta.

Cosa accadrebbe se dovessimo ricercare una parola in un blog di 10.000 articoli? Il sistema dovrebbe cercare all’interno di ciascuno di essi, e poiché privo di memoria, ripetere questa operazione a ogni nuova query.

Un sistema del genere, oltre a essere poco scalabile, si rivela inefficiente.

La NER risolve questo problema analizzando una sola volta ciascun articolo, estraendone le key words e popolando un elenco di named entities utilizzabili dalle query di ricerca.

In questo modo l’efficienza migliora, e gli utenti sono più felici!

Customer Care

Il customer care delle aziende deve navigare tra centinaia, o migliaia, di messaggi ogni giorno.

Alcuni sono semplici ringraziamenti e prontamente scartati, altri devono essere inviati a reparti specializzati nel prendere in carico una specifica tipologia di problema.

Possiamo automatizzare questo task?

Applichiamo la NER ai testi così da smistare propriamente il messaggio al dipartimento più attinente.

NER: ecco gli algoritmi

Possiamo completare dei task di Named Entity Recognition direttamente sul nostro Jupyter Notebook. Esistono infatti molteplici algoritmi open soruce e facilmente integrabili, tra cui:

Spacy

spaCy, è una libreria python tanto sofisticata e attendibile da essere usata come soluzione aziendale da AirB&B, Quora e Uber.

Fornisce standard elevati di natural language processing, consentendo di processare il testo prima d’integrarlo in processi di deep learning

NLTK

Natural Language ToolKit è una libreria che include differenti tool per effettuare Natural Language Procesing in Python. Per effettuare un’analisi NER, è necessario seguire tre step:

  • tokenizzare il testo
  • esegurie POS (Part Of Speech) tagging
  • effettuare NER

Un caldo abbraccio, Andrea

No, questo contenuto è riservato.
Non ci puoi accedere

E’ destinato a una ristretta lista di persone motivate e intraprendenti.

E’ diritto esclusivo di sognatori e curiosi.

Come? Pensi di essere una di loro?

Dimostramelo…

accetto i noiosi termini e le condizioni

Written by Andrea Provino - Ottobre 16, 2019
Tags | AI, natural language processing

You Might Also Like

Cos’è il bias in una rete neurale artificiale | Towards Machine Learning

Febbraio 27, 2019
private-set-intersection-data-science-machne-learning-deep-learning-homorphic-encryption-italia

Private Set Intersection: cos’è? | Differential Privacy

Maggio 3, 2020

Applicazioni NLP (Natural Language Processing Applications)

Ottobre 6, 2019
Next Post
Previous Post

Una pubblicità che non vedi se usi AdBlock

EXPAND YOUR KNOWLEDGE

  • Blockchain Developer

    Circuito aritmetico

    Novembre 1, 2022
  • machine-learning

    Un nuovo inizio

    Settembre 4, 2021
  • Zero Knwoledge Proof Article Privacy Preserving

    Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

    Luglio 8, 2021
  • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

    Oblivious Transfer (OT)

    Luglio 6, 2021
  • Aleo Studio Website Preview machine-learning

    Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

    Luglio 1, 2021
  • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

    Perché il Privacy Tech è un vantaggio competitivo micidiale

    Giugno 17, 2021
  • bloom-filter-spiegazione-italian Privacy Preserving

    Bloom Filter

    Giugno 3, 2021
  • trusted-execution-environment-tee-data-science-come-fuziona Data Science, Privacy Preserving

    Trusted Execution Environment | Cos’è un TEE?

    Giugno 2, 2021
  • Crypto Custody services machine-learning

    Crypto Custody: Guida alla custodia delle criptomonete

    Maggio 26, 2021
  • deep-q-learning-q-learning-reinforcement-learning machine-learning

    Deep Q-Learning

    Aprile 27, 2021

Quello che Google pensa ti possa piacere

Prodotti che i Cookie dicono potresti trovare interessanti

AI Blog - © 2019-2021 Andrea Provino