# Named Entity Recognition: identificare e catalogare nomi propri Il riconoscimento delle entità denominate, in inglese “Named Entity Recognition” (NER), è una sottodisciplina della linguistica computazionale che si occupa di identificare e catalogare le entità (nomi propri) nei testi, assegnandoli a categorie specifiche. Questo processo è fondamentale nell’ambito dell’apprendimento automatico. ## Cos’è la Named Entity Recognition (NER)? La NER è una tecnica che permette di **identificare i nomi propri** in un testo e di **assegnarli automaticamente a categorie predefinite**. Questo compito si definisce anche riconoscimento dei nomi propri. I nomi propri o le entità denominate sono singole parole o sequenze di parole che rappresentano entità reali. Ad esempio, possono riferirsi a una persona, un’azienda, un’autorità, un evento, un luogo, un prodotto specifico o anche a una data. Questa disciplina viene usata anche nell’ambito dell’[apprendimento automatico](https://www.ionos.it/digitalguide/online-marketing/analisi-web/machine-learning-cose-lapprendimento-automatico/) e dell’[IA](https://www.ionos.it/digitalguide/online-marketing/vendere-online/intelligenza-artificiale-di-cosa-si-tratta-e-a-cosa-serve/) e si inserisce nel campo dell’[elaborazione del linguaggio naturale (NLP)](https://www.ionos.it/digitalguide/online-marketing/vendere-online/come-funziona-lelaborazione-del-linguaggio-naturale/), grazie al quale algoritmi e computer categorizzano ed elaborano il linguaggio in base a regole fisse. Oggi, grazie ai continui avanzamenti, il riconoscimento delle entità denominate **ottiene risultati accurati** in molte lingue ed è difficile da distinguere rispetto ai testi prodotti dall’essere umano. ## Come funziona il riconoscimento delle entità denominate? Esistono diversi metodi per riconoscere le entità denominate: nel corso dell’articolo li esamineremo più da vicino. Ogni metodo prevede due fasi fondamentali, essenziali per garantire il successo del procedimento. ### Identificazione dei nomi propri La prima fase consiste nell’**identificare una o più entità denominate**. Non si tratta solo dei nomi propri più comuni, come “Mario Rossi”, ma anche di termini come “Lago di Como”, “Risorgimento”, “Ferrari”, “Campidoglio”, “Jurassic Park” o “12 ottobre 1986”, anch’essi considerati entità denominate. Una volta che il sistema ha identificato questi nomi propri, ne evidenzia l’inizio e la fine, permettendo così di riconoscerli all’interno di un testo naturale. ### Categorizzazione delle entità denominate Dopo aver identificato i nomi propri, il sistema li **assegna a categorie definite**. Queste categorie possono includere nomi di persone, luoghi, eventi storici, aziende, autorità, prodotti, date o anche titoli di film e opere d’arte. Pertanto, è importante che il sistema NER sia in grado di riconoscere le varianti di una stessa entità e di garantire che le estremità precedentemente definite (inizio e fine dell’entità) siano corretti. ## Quali sono i metodi NER? Sebbene il riconoscimento delle entità denominate segua sempre le due fasi principali, esistono diversi metodi per raggiungere i risultati desiderati. Di seguito riportiamo i quattro approcci più comuni ed efficaci. ### Analisi con dizionari Questo è probabilmente il metodo più semplice. Le entità vengono confrontate con vari **dizionari**. Quando una parola o una sequenza di parole corrisponde a un nome proprio presente nel dizionario, viene riconosciuta come entità denominata e classificata di conseguenza. ### Named Entity Recognition basata su regole In questo metodo, si utilizzano regole definite per identificare le entità. **Si creano degli schemi** che vengono confrontati con i testi. Se c’è una corrispondenza, l’entità viene identificata e catalogata. Questo metodo è particolarmente efficace per testi specializzati e meno adatto per un uso generico. ### Apprendimento automatico e IA I migliori risultati si ottengono utilizzando metodi basati sull’apprendimento automatico o sull’intelligenza artificiale. I sistemi vengono addestrati su record di dati, facendo particolare attenzione al riconoscimento delle **correlazioni statistiche**. Una volta completato l’addestramento, l’IA può riconoscere nomi propri in testi sconosciuti e classificarli. Più i dati di addestramento sono completi e bilanciati, migliori saranno i risultati. ### Approccio ibrido della NER basato su regole e sull’IA Un approccio ibrido della Named Entity Recognition **basata su regole e supportata dall’intelligenza artificiale** può generare risultati eccellenti. In questo sistema, le entità più semplici vengono identificate tramite regole predefinite, mentre l’intelligenza artificiale si occupa di riconoscere e classificare quelle più complesse. ## Quali sono gli ambiti di applicazione della NER? Le aree, attuali o future, che prevedono l’applicazione della Named Entity Recognition (NER) sono numerose. Di seguito alcune delle più rilevanti: - **Analisi del sentiment**: la NER viene già utilizzata per valutare il feedback dei clienti e le tendenze, identificando nomi di marchi, opinioni circa i prodotti e altre reazioni. - **Business Intelligence**: la NER converte testi non strutturati in dati strutturati, utili per il recupero di informazioni e l’analisi di documenti finanziari. - **Annotazione dei dati**: in questo contesto la NER è fondamentale per sviluppare e addestrare modelli migliori per traduzioni, classificazioni e analisi testuali. - **Assistenza digitale**: il riconoscimento delle entità denominate è una tecnica adatta a servizi come chatbot o assistenti digitali. Analizza le richieste degli utenti, consentendo di generare risposte personalizzate in base alle specifiche entità denominate rilevate nelle domande. - **Parole chiave**: il metodo viene utilizzato per filtrare entità come persone o luoghi all’interno di diversi articoli, permettendo di estrarre e memorizzare queste informazioni come metadati. - **Motori di ricerca**: la Named Entity Recognition analizza e migliora gli algoritmi di ricerca, consentendo ai motori di ricerca di fornire risultati più accurati e pertinenti. - **Reti neurali**: il riconoscimento delle entità denominate (NER) si applica anche nel campo delle reti neurali come la [memoria a breve-lungo termine (LSTM)](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/long-short-term-memory/) e altre tecniche simili. ## Quali sono le problematiche del riconoscimento delle entità denominate? Nonostante i notevoli avanzamenti di questa tecnologia e i risultati impressionanti che produce, la Named Entity Recognition (NER) presenta ancora alcune problematiche. Una delle principali difficoltà riguarda **l’adattamento dei modelli addestrati ai testi specializzati**, che spesso non produce i risultati attesi. Questo problema si verifica soprattutto quando i dati per l’[apprendimento per trasferimento](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/transfer-learning/) non sono sufficienti o abbastanza specifici. Le nuove entità, che emergono costantemente, richiedono ai modelli di basarsi su quantità di dati limitate, il che può compromettere le loro prestazioni. Approcci come lo zero-shot o il few-shot learning offrono soluzioni efficaci a questa problematica, poiché consentono ai modelli di funzionare anche con una quantità ridotta di dati. This is a markdown version of: [https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/named-entity-recognition/](https://www.ionos.it/digitalguide/siti-web/programmazione-del-sito-web/named-entity-recognition/) for AI/LLM consumption.