Entitásjelöléseket

Entitásjelöléseket olyan adatok jelölésének és strukturálásának folyamata, amelyben a szövegben előforduló entitásokat kiemeljük és címkézzük. A jelölés célja, hogy a bemeneti szövegben lévő valós entitásokat azonosítsuk, típusuk szerint besorolják, és szükség esetén összekapcsolják őket releváns tudásbázisokkal.

Az entitásjelölés két fő feladatkört foglal magában: a névazonosítást (named entity recognition, NER), amely során a szövegben a kritériumok alapján kifejezéseket kijelöljük és kategóriáik szerint osztályozzuk; és az entitások összekapcsolását (entity linking vagy diszambiguáció), amely a jelölt entitásokat a konkrét entitásokhoz rendeli a tudásbázisban.

Az annotációs folyamatban szereplők készítenek egy annotációs útmutatót, képzik az annotátorokat, és ellenőrzik az eredmények megbízhatóságát (inter-annotator agreement). Gyakori jelölési séma a BIO/IOB2, amely a jelölt entitás kezdetét és folytatását jelzi. Az adatok gyakran valamilyen szabványos formátumba kerülnek (pl. CoNLL-szerű szövegek).

Az entitásjelöléseket nyers adatokból tanító NLP-modellek tréningjére használják, és alapját képezik a szöveg alapú információkinyerésnek, a kérdés-válasz rendszereknek és a tudásgrafok felépítésének. Kihívások közé tartozik az ambiguitás a rövid nevek vagy többértelmű kifejezések esetén, a doménspecifikus terminológia, valamint a többnyelvű vagy alacsony forrásnyelvek esetén.