Extracción de entidades

La extracción de entidades es la tarea de procesamiento del lenguaje natural (NLP) que consiste en identificar automáticamente elementos significativos mencionados en un texto y etiquetar cada uno según su tipo. Estos elementos pueden incluir personas, organizaciones, lugares, fechas, productos y otras entidades relevantes para el dominio. En muchos sistemas, el reconocimiento de entidades nombradas (NER) es una parte central de la extracción de entidades, pero la extracción de entidades también puede ser más amplia según el esquema y el caso de uso.

En resumen: la extracción de entidades encuentra nombres, lugares y otras entidades en un texto y etiqueta qué es cada uno, convirtiendo la prosa en datos estructurados que las máquinas pueden buscar y usar.

Cómo funciona la extracción de entidades

El objetivo es pasar de un texto sin procesar a una lista etiquetada de entidades, generalmente en unas pocas etapas:

1. Preprocesamiento: El texto se limpia y se divide en tokens y oraciones.
2. Detección: El sistema localiza los fragmentos de texto que se refieren a entidades. Por ejemplo, “Brave Software se fundó en San Francisco en 2015” podría analizarse como Brave Software [ORG], San Francisco [LOC], 2015 [DATE].
3. Clasificación: A cada fragmento detectado se le asigna un tipo como persona, organización, ubicación, fecha o una categoría de dominio personalizada. Los primeros sistemas usaban reglas y diccionarios para este paso; la mayoría de los sistemas de producción actuales usan modelos basados en transformadores que infieren el tipo a partir del contexto en lugar de patrones fijos.
4. Vinculación de entidades (paso siguiente opcional): Las entidades extraídas pueden luego pasarse a la vinculación de entidades, que hace coincidir cada entrada con un registro único en una base de conocimiento, desambiguando los términos según el contexto.
5. Salida: Las entidades, los tipos y los vínculos se devuelven como datos estructurados, a menudo adjuntos al documento como metadatos o incorporados a un grafo de conocimiento.

La característica distintiva es que la extracción de entidades no solo encuentra palabras; identifica a qué se refieren esas palabras y qué tipo de elemento es cada una. Es este último paso el que convierte el texto en una estructura utilizable por las máquinas.

Extracción de entidades vs. extracción de palabras clave, vinculación de entidades y extracción de relaciones

• La extracción de palabras clave extrae palabras y frases frecuentes o destacadas sin indicar qué son; la extracción de entidades identifica elementos específicos del mundo real y etiqueta cada uno según su tipo.
• La vinculación de entidades conecta una entidad extraída con un registro único en una base de conocimiento como Wikidata, resolviendo a qué elemento del mundo real se refiere; la extracción de entidades es el paso previo que encuentra y clasifica la mención.
• La extracción de relaciones identifica cómo se relacionan las entidades entre sí, como “Brave Software crea una API del Buscador”; la extracción de entidades identifica las entidades que esas relaciones conectan.

Dónde se usa la extracción de entidades

• Grafos de conocimiento: Las entidades extraídas y sus tipos se convierten en nodos que pueblan un grafo de conocimiento.
• Búsqueda y recuperación: Etiquetar documentos con entidades mejora el filtrado, el facetado y la coincidencia de entidades de una consulta con el contenido, lo que ayuda tanto al Buscador clásico como a los motores de respuestas con IA.
• Enriquecimiento de contenido: Los artículos, los tickets de soporte y las páginas de productos pueden etiquetarse automáticamente con las entidades que mencionan, creando metadatos más ricos.
• Datos estructurados y marcado: Las entidades extraídas pueden asignarse a tipos de schema.org, ayudando a las arañas web y a los sistemas de IA a entender de qué trata una página.
• Respuesta a preguntas: Identificar entidades en una pregunta y en respuestas candidatas ayuda a un sistema a recuperar y verificar los datos correctos.

Las herramientas comunes incluyen bibliotecas de código abierto como spaCy y modelos alojados en Hugging Face, junto con API en la nube gestionadas. La extracción de entidades es más útil cuando un sistema necesita pasar de la coincidencia de cadenas a la comprensión de conceptos del mundo real.

Términos relacionados

Reconocimiento de entidades nombradas (NER), vinculación de entidades, extracción de relaciones, grafo de conocimiento, búsqueda semántica, embeddings, datos estructurados, procesamiento del lenguaje natural (NLP), schema.org.