التعرّف على الكيانات المسمّاة

تصنيف وثيقة يعني إسناد وسم واحد إليها. أما التعرّف على كياناتها المسمّاة فيعني استخراج بنية منها: مَن، وأين، ومتى، وأي منظمة، وكم المبلغ. ننتقل من تنبؤ واحد لكل وثيقة إلى تنبؤ لكل كلمة، وهذا الفرق يغيّر كل شيء: صيغة البيانات، وبنية النموذج، والأهم من ذلك طريقة قياس النجاح.

الاستخدام عملي ومباشر. مكتب يتلقى عشرة آلاف رسالة ويريد معرفة الشركات المذكورة فيها. وقسم إعلامي يريد تتبّع الشخصيات التي يجري ذكرها. ودائرة قانونية يجب أن تُخفي هويات الأشخاص في الملفات قبل إحالتها، وهذا يفترض العثور على جميع أسماء الأشخاص؛ فاسترجاع بنسبة 95 % يعني هنا أن هوية واحدة من كل عشرين تتسرّب.

وتضيف اللغة الفرنسية صعوباتها الخاصة. فأدوات النبالة وحروف الجر تندمج في الأسماء («Charles de Gaulle» و«Jeanne d'Arc»)، وأدوات التعريف جزء من بعض أسماء الأماكن («Le Havre» و«La Rochelle»)، وأسماء المؤسسات طويلة وبعضها بأحرف صغيرة («ministère de l'Économie et des Finances»)، والحرف الكبير، وهو أقوى إشارة يعتمد عليها النموذج، يختفي تمامًا في النص المكتوب على عجل أو المفرَّغ آليًا.

يبدأ هذا الدرس من صيغة الترميز، ثم يعرض استخدام النماذج الجاهزة وإخفاقاتها الفعلية، ثم يعالج النقطة التقنية التي تعطّل أكبر عدد من المشاريع: محاذاة وسوم الكلمات مع الكلمات الفرعية في المحوّلات.