BroadRouter
Inizia

Riconoscimento di entità nominate (NER)

Aggiornato

La named entity recognition (NER) è il compito di trovare i nomi in un testo ed etichettare ciascuno con un tipo, come persona, organizzazione o luogo. I sistemi classici etichettano ogni token; agli LLM si chiede spesso invece di restituire una lista di entità in JSON, che poi si verifica sul testo originale.

Detto anche: riconoscimento di entità nominate, riconoscimento delle entità, estrazione di entità, entità nominate, NER, named entity recognition, entity extraction, named entities

Estrarre ogni persona, azienda e luogo da un contratto o da una notizia, con un tipo per ciascuno: questa è la NER, ed è uno dei lavori più comuni affidati a un LLM.

Come funziona

Il benchmark classico è lo shared task CoNLL-2003. Usava notizie Reuters in inglese e testi tedeschi della Frankfurter Rundschau, quattro tipi (PER per le persone, ORG, LOC e MISC per i “names of miscellaneous entities that do not belong to the previous three groups”, traduzione: nomi di entità varie che non appartengono ai tre gruppi precedenti) e tag IOB: ogni parola è B- o I- di un tipo, oppure O se è fuori. La valutazione è l’F1 sulle entità, e un’entità conta solo se coincide esattamente con il riferimento.

Un esempio in arabo in formato IOB:

Token Tag
زار O
خالد B-PER
العتيبي I-PER
مدينة O
الرياض B-LOC

(«Khalid Al-Otaibi ha visitato la città di Riyad.»)

L’arabo ha i suoi dataset. ANERcorp, creato da Yassine Benajiba e riferimento standard dal 2008, è testo di agenzie di stampa; lo split concordato di CAMeL Lab ha 125.102 parole di addestramento e 25.008 di test, con licenza CC BY-SA 4.0. Wojood (Jarrar et al., 2022) ha circa 550.000 token di testo in MSA e in dialetto, 21 tipi di entità e circa 75.000 entità, il 22,5% delle quali annidate. Il suo modello basato su AraBERT ha ottenuto 0,884 di micro F1.

Con un LLM l’impostazione comune è diversa: si chiede una lista, non un tag per token.

{"entities": [
  {"text": "خالد العتيبي", "type": "PERSON"},
  {"text": "الرياض", "type": "LOCATION"}
]}

Perché è importante

La NER alimenta filtri di ricerca, record di CRM, l’oscuramento dei PII e i knowledge graph. Con un LLM i rischi principali sono:

  • Entità inventate o modificate. Un modello può restituire un nome che non è nel testo, o “correggerne” l’ortografia. Verifica che ogni entità compaia nel testo originale, dopo la normalizzazione del testo arabo su entrambi i lati. È una forma di controllo delle allucinazioni.
  • Deriva delle etichette. Fissa la lista dei tipi in uno schema, così il modello non può inventarne di nuovi.
  • I benchmark non sono i tuoi dati. Le etichette pubbliche raramente coincidono con le tue. Etichetta a mano un campione e misura precision, recall e F1, come in qualsiasi eval.

Su BroadNet Inference

BroadNet non ha un endpoint NER; la costruisci su POST /v1/chat/completions. Il riferimento API di BroadNet documenta l’output strutturato per GLM 5.3 e Qwen3.8 27B, ed è così che vincoli il modello a una lista di entità e a un insieme fisso di tipi. Per i documenti che arrivano come immagini, Qwen3.8 27B accetta anche input di immagini.

BroadNet non pubblica benchmark NER per i suoi modelli. L’articolo sull’estrazione di entità nominate in arabo contiene un prompt, controlli sugli span che ignorano i segni diacritici, la gestione delle date dell’Egira e uno script di valutazione da eseguire sul tuo campione.

Domande frequenti

Che differenza c’è tra NER ed estrazione di entità?

Nella ricerca NER di solito significa etichettare ogni token. Estrazione di entità spesso significa restituire una lista di entità, ed è così che la impostano la maggior parte delle pipeline con LLM. Valuta l’impostazione che metti davvero in produzione.

Perché un’entità restituita dal modello non corrisponde al mio testo arabo?

Spesso il modello, copiando, ha cambiato una hamza, tolto il tatweel o aggiunto i segni diacritici. Normalizza sia l’entità sia il testo originale prima di verificare che compaia.

Cos’è la NER annidata?

Entità dentro altre entità, come una città dentro il nome di un’organizzazione. Wojood le annota; il 22,5% delle sue entità è annidato.

Leggi in MarkdownChiedi a ChatGPTChiedi a ClaudeChiedi a Perplexity