7.6. NLP - Extracting Information from Text Part 2 (Named Entity Recognition)

Video ini menjelaskan konsep Named Entity Recognition (NER), yaitu teknik NLP untuk mengenali entitas bernama seperti orang, lokasi, organisasi, tanggal, dan lainnya dalam teks. Dibahas pula tujuan NER, penerapannya pada sistem tanya jawab, tantangan identifikasi entitas multi-kata, penggunaan kamus (gazetteer), serta implementasi NER menggunakan corpus dan fungsi bawaan NLTK, dengan detail sbb:

0:00–4:18 — Pengantar NER dan definisi entitas bernama. Dijelaskan bahwa NER bertugas mengenali batas entitas dalam teks serta menentukan jenisnya, seperti person, location, organization, atau time.

4:18–10:44 — Contoh penerapan NER pada sistem Question Answering. Untuk menjawab pertanyaan seperti “Siapa Presiden pertama AS?”, sistem harus mencari entitas bertipe person yang relevan dari dokumen.

10:44–14:32 — Pembahasan penggunaan gazetteer (kamus nama entitas) sebagai salah satu cara mendeteksi entitas. Dijelaskan pula keterbatasannya karena bisa salah mengenali nama atau tidak cocok di semua wilayah.

14:32–17:59 — Tantangan NER pada nama orang/organisasi baru dan entitas multi-token (lebih dari satu kata). Karena itu, NER umumnya menggunakan pendekatan klasifikasi dan pelabelan format IOB.

17:59–22:32 — Contoh penggunaan corpus pelatihan dan fungsi nltk.ne_chunk() di NLTK. Jika mode binary=True, entitas hanya diberi label NE, sedangkan mode biasa dapat menghasilkan kategori seperti PERSON, ORGANIZATION, dan GPE.

Видео 7.6. NLP - Extracting Information from Text Part 2 (Named Entity Recognition) канала Fajar Astuti