「命名實體識別 (Named Entity Recognition, NER)」是自然語言處理 (NLP) 領域的一個重要任務，旨在從文本中識別並分類出具有特定意義的實體，例如人名、地名、組織機構名、日期、時間、數字、貨幣、百分比、產品名等等。
簡單來說，NER 的目標是讓電腦能夠自動地找到文本中提到的「是什麼」和「是誰」。
NER 的目標：NER 的主要目標是將文本中的詞語或短語標記為預定義的類別。這些類別通常包括：
- 人名 (PER): 例如，"唐納·川普"、"馬克·祖克伯格"、"蔡英文"。
- 地名 (LOC): 例如，"台北"、"美國"、"喜馬拉雅山"。
- 組織機構名 (ORG): 例如，"Google"、"蘋果公司"、"世界衛生組織"。
- 日期 (DATE): 例如，"2023年10月26日"、"下週三"、"五月"。
- 時間 (TIME): 例如，"下午三點"、"早上八點半"、"中午"。
- 貨幣 (MONEY): 例如，"新台幣一千元"、"$100"、"50 歐元"。
- 百分比 (PERCENT): 例如，"25%"、"百分之十"。
- 產品名 (PRODUCT): 例如，"iPhone 15"、"Windows 11"、"可口可樂"。
- 事件 (EVENT): 例如，"美國總統大選"、"奧運會"、"雙十一購物節"。
- 設施 (FAC): 例如，"台北101"、"舊金山國際機場"。
- 語言 (LANGUAGE): 例如，"英語"、"中文"、"法語"。
當然，根據具體的應用場景，NER 的類別還可以更細化或包含其他類型的實體。
NER 的常見方法：
- 基於規則的方法 (Rule-based Approach)：
- 這種方法依賴於人工編寫的規則和模式來識別命名實體。規則可以基於詞彙、語法、標點符號等。例如，識別以大寫字母開頭並跟隨特定詞語的詞組可能是一個人名或組織機構名的候選。 優點是易於理解和實現，但難以處理複雜的語言變化和上下文。
- 機器學習方法 (Machine Learning Approach)：
- 這種方法通常需要標註好的訓練數據（文本及其對應的實體標籤）。 常用的機器學習模型包括： 隱馬爾可夫模型 (Hidden Markov Model, HMM) 條件隨機場 (Conditional Random Field, CRF)：CRF 在 NER 任務中表現出色，因為它能考慮上下文信息和標籤之間的依賴關係。 支持向量機 (Support Vector Machines, SVM) 決策樹和隨機森林 (Decision Trees and Random Forests) 在訓練模型之前，文本通常需要經過特徵工程，例如詞語本身的特性、詞性、詞語在句子中的位置等。
- 深度學習方法 (Deep Learning Approach)：
- 深度學習模型，例如： 循環神經網路 (Recurrent Neural Networks, RNNs)，特別是 LSTM 和 GRU： 適用於處理文本序列，能夠捕捉上下文信息。 卷積神經網路 (Convolutional Neural Networks, CNNs)： 可以用於提取局部特徵。 Transformer 模型（例如 BERT、RoBERTa、DistilBERT）： 在 NER 任務中表現出了最先進的性能，因為它們能夠捕捉長距離依賴和更豐富的語義信息。這些模型通常會利用預訓練的詞嵌入和強大的上下文表示能力。 深度學習模型通常可以直接處理詞嵌入，並自動學習文本中的有效特徵，而無需太多手動的特徵工程。
NER 的應用：
NER 技術在許多領域都有廣泛的應用：
- 信息抽取： 從大量的文本中自動提取關鍵信息，例如新聞報導中的人物、地點、事件。
- 問答系統： 幫助系統理解問題中的實體，以便更精準地找到答案。
- 文本摘要： 識別文本中的關鍵實體，有助於生成更具信息量的摘要。
- 機器翻譯： 識別源語言和目標語言中的命名實體，有助於提高翻譯的準確性。
- 知識圖譜構建： 從文本中提取實體和它們之間的關係，用於構建知識圖譜。
- 客戶服務： 自動識別客戶在反饋中提到的產品、組織或問題。
- 金融分析： 從金融新聞和報告中提取公司名稱、股票代碼等信息。
- 醫療保健： 從電子病歷中提取疾病名稱、藥物名稱、治療方法等信息。
總之，命名實體識別是 NLP 中一個至關重要的任務，它可以幫助計算機理解文本中的關鍵信息，並為許多下游 NLP 應用提供支持。隨著深度學習技術的發展，NER 的準確性和效率得到了顯著的提高。
