التعرف على الكيانات المُسمّاة (NER) (NER)

تخيّل قارئًا يُظلّل تلقائيًا، في مقال صحفي، كل اسم شخص باللون الأزرق، وكل مدينة بالأخضر، وكل شركة بالبرتقالي. هذا بالضبط هو دور التعرف على الكيانات المُسمّاة (NER): مهمة أساسية في معالجة اللغة الطبيعية تقوم على تحديد أجزاء من النص ثم تصنيفها ضمن فئات محددة مسبقًا.

ما الذي يحدده الـ NER

تكتشف أنظمة الـ NER عادةً كيانات مثل:

• PER — الأشخاص («فاطمة الزهراء»)
• LOC / GPE — الأماكن والكيانات الجغرافية السياسية («الدار البيضاء»، «المغرب»)
• ORG — المؤسسات («المكتب الشريف للفوسفاط»، «Tavily»)
• MISC — التواريخ والمبالغ والنسب المئوية

فمثلًا، في جملة «يستثمر المكتب الشريف للفوسفاط ملياري درهم في الجرف الأصفر»، يصنّف نموذج الـ NER كلمة المكتب الشريف للفوسفاط ككيان ORG، وملياري درهم كقيمة مالية، والجرف الأصفر ككيان LOC.

كيف يعمل

غالبًا ما يُصاغ الـ NER كمسألة وسم متسلسل: تتلقى كل كلمة وسمًا وفق مخطط BIO (Begin, Inside, Outside). تاريخيًا استُخدمت الحقول العشوائية الشرطية (CRF)، أما اليوم فتهيمن النماذج المبنية على المحوّلات (Transformers) مثل BERT، التي تستفيد من السياق ثنائي الاتجاه.

ويعتمد التقييم على مقياس F1، وهو المتوسط التوافقي للدقة والاستدعاء:

$$F_1 = 2 \cdot \frac{P \cdot R}{P + R}$$

لماذا هو مهم

يحوّل الـ NER النص الخام إلى بيانات منظمة: إنه اللبنة الأولى نحو آلة لا تكتفي بقراءة الكلمات، بل تفهم عمّن ومَا الذي يدور الحديث.