Esta página se tradujo automáticamente con la API de traducción de Google Cloud.
Algunas páginas se pueden leer mejor en su totalidad.
En esta publicación, veremos cómo realizar el reconocimiento de entidades nombradas (NER) en JavaScript usando TensorFlow.js y Node.js. NER es una tarea en el procesamiento del lenguaje natural (NLP) que implica identificar y clasificar entidades nombradas en el texto, como personas, lugares, organizaciones, etc.
Usaremos un modelo pre-entrenado que fue entrenado en el conjunto de datos NER CoNLL 2003. El modelo es un modelo de memoria bidireccional a largo plazo a corto plazo (BiLSTM) con una capa de campo aleatorio condicional (CRF) en la parte superior.
Para seguir esta publicación, necesitará lo siguiente:
Primero, creemos un nuevo proyecto Node.js. Usaremos el marco web Express, por lo que también necesitaremos instalarlo:
npm init
npm install --save express
A continuación, necesitaremos instalar el modelo NER de TensorFlow.js. Podemos hacerlo con el siguiente comando:
npm install @tensorflow-models/ner
Con eso, ¡estamos listos para comenzar a codificar!
Lo primero que tenemos que hacer es cargar el modelo. Podemos hacerlo con el siguiente código:
const tf = require('@tensorflow/tfjs-node');
const model = require('@tensorflow-models/ner');
async function main() {
const ner = await model.load();
}
main();
En el código anterior, primero importamos TensorFlow.js y el modelo NER. Luego creamos una función asíncrona que cargará el modelo y lo almacenará en una variable.
Ahora que hemos cargado el modelo, podemos usarlo para predecir entidades con nombre en el texto. Podemos hacerlo con el siguiente código:
const tf = require('@tensorflow/tfjs-node');
const model = require('@tensorflow-models/ner');
async function main() {
const ner = await model.load();
const text = 'John Smith is a software engineer at Google.';
const results = await ner.predict(text);
console.log(results);
}
main();
En el código anterior, hemos agregado una cadena de texto para la que queremos predecir las entidades nombradas. Luego usamos el método predecir del modelo para obtener los resultados.
Los resultados serán una matriz de objetos, cada uno de los cuales representa una entidad con nombre. Cada objeto tendrá una propiedad start y end que representa los índices de inicio y finalización de la entidad nombrada en el texto de entrada, así como una propiedad score que representa la confianza del modelo en la predicción.
Puede ser útil visualizar los resultados de la predicción. Podemos hacerlo con el siguiente código:
const tf = require('@tensorflow/tfjs-node');
const model = require('@tensorflow-models/ner');
async function main() {
const ner = await model.load();
const text = 'John Smith is a software engineer at Google.';
const results = await ner.predict(text);
for (const result of results) {
console.log(
`${text.substring(result.start, result.end)} (${result.score})`);
}
}
main();
En el código anterior, agregamos un ciclo que imprimirá cada una de las entidades nombradas, así como también el puntaje de confianza del modelo para esa predicción.
En esta publicación, hemos visto cómo realizar el reconocimiento de entidades con nombre en JavaScript usando TensorFlow.js y Node.js. También hemos visto cómo visualizar los resultados de la predicción.
Si está interesado en obtener más información sobre NER o TensorFlow.js, aquí hay algunos recursos que pueden resultarle útiles: