本文已使用 Google Cloud Translation API 自动翻译。
某些文档最好以原文阅读。
在本文中，我们将研究如何使用 TensorFlow.js 和 Node.js 在 JavaScript 中执行命名实体识别 (NER)。 NER 是自然语言处理 (NLP) 中的一项任务，涉及识别和分类文本中的命名实体，例如人、地点、组织等。
我们将使用在 CoNLL 2003 NER 数据集上训练的预训练模型。该模型是一个双向长短期记忆 (BiLSTM) 模型，顶部有一个条件随机场 (CRF) 层。
为了跟进这篇文章，您需要以下内容：
首先，让我们创建一个新的 Node.js 项目。我们将使用 Express Web 框架，因此我们也需要安装它：
npm init
npm install --save express
接下来，我们需要安装 TensorFlow.js NER 模型。我们可以使用以下命令来做到这一点：
npm install @tensorflow-models/ner
这样，我们就可以开始编码了！
我们需要做的第一件事是加载模型。我们可以使用以下代码来做到这一点：
const tf = require('@tensorflow/tfjs-node');
const model = require('@tensorflow-models/ner');
async function main() {
const ner = await model.load();
}
main();
在上面的代码中，我们首先导入了 TensorFlow.js 和 NER 模型。然后我们创建了一个异步函数，它将加载模型并将其存储在一个变量中。
现在我们已经加载了模型，我们可以使用它来预测文本中的命名实体。我们可以使用以下代码来做到这一点：
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();
在上面的代码中，我们添加了一个文本字符串，我们希望为其预测命名实体。然后我们使用模型的“预测”方法来获得结果。
结果将是一个对象数组，每个对象代表一个命名实体。每个对象都有一个“start”和“end”属性，代表输入文本中命名实体的开始和结束索引，以及一个“score”属性，代表模型对预测的信心。
可视化预测结果可能会有所帮助。我们可以使用以下代码来做到这一点：
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();
在上面的代码中，我们添加了一个循环，该循环将打印出每个命名实体，以及模型对该预测的置信度分数。
在本文中，我们了解了如何使用 TensorFlow.js 和 Node.js 在 JavaScript 中执行命名实体识别。我们还了解了如何可视化预测结果。
如果您有兴趣了解有关 NER 或 TensorFlow.js 的更多信息，以下资源可能会对您有所帮助：