Elastic Blog
·
如何部署自然语言处理 (NLP)：命名实体识别 (NER) 示例
💡
原文中文，约6700字，阅读约需16分钟。
📝
内容提要
本文介绍了如何部署自然语言处理中的命名实体识别（NER）模型，包括选择模型、在Elasticsearch中部署、使用API进行实体提取，以及通过Ingest管道在文档采集时提取实体。以《悲惨世界》为例，展示了人名和地名的提取及结果可视化，同时讨论了模型性能优化的方法。
🎯
关键要点
- 本文介绍了如何部署命名实体识别（NER）模型，包括选择模型、在Elasticsearch中部署、使用API进行实体提取，以及通过Ingest管道提取实体。
- 以《悲惨世界》为例，展示了如何提取人名和地名，并进行结果可视化。
- 选择NER模型时，可以从Hugging Face提供的多个模型中进行选择，并使用Eland安装模型。
- 通过新的_infer API可以测试已部署的NER模型，输入文本后模型会返回识别出的实体及其类别和置信度。
- 可以通过Ingest管道在文档采集时进行批量推理，并将提取的实体存储在Elasticsearch中。
- 在Kibana中创建标签云图可视化，展示在《悲惨世界》中提取到的人名频率。
- 通过调整推理线程和模型线程的设置，可以优化模型的推理性能，降低平均推理时间。
❓
延伸问答
如何选择合适的NER模型？
可以从Hugging Face提供的多个NER模型中进行选择，并使用Eland安装模型。
如何在Elasticsearch中部署NER模型？
通过Eland安装模型，并使用Docker命令将模型部署到Elasticsearch中。
如何使用API进行实体提取？
可以通过新的_infer API输入文本，模型会返回识别出的实体及其类别和置信度。
如何在文档采集时提取实体？
可以通过Ingest管道在文档采集时进行批量推理，并将提取的实体存储在Elasticsearch中。
如何优化NER模型的推理性能？
通过调整推理线程和模型线程的设置，可以优化模型的推理性能，降低平均推理时间。
如何可视化提取到的实体结果？
可以在Kibana中创建标签云图可视化，展示提取到的人名频率。
➡️
