نظام استخراج كيان مقياس الويب

فهم المعنى الدلالي للمحتوى على الويب من خلال عدسة الكيانات والمفاهيم له العديد من المزايا العملية.ومع ذلك، عند بناء أنظمة استخراج الكيانات على نطاق واسع، يواجه الممارسون تحديات فريدة تنطوي على إيجاد أفضل الطرق للاستفادة من نطاق البيانات ومجموعة متنوعة من البيانات المتاحة على منصات الإنترنت.نقدم التعلم من جهودنا في بناء نظام استخراج الكيانات لأنواع متعددة الوثائق على نطاق واسع باستخدام محولات متعددة الوسائط.إننا نوضح تجريبيا فعالية التعلم متعدد اللغات ومتعدد المهام والنوع عبر المستندات.نناقش أيضا مخططات جمع الملصقات التي تساعد على تقليل مقدار الضوضاء في البيانات التي تم جمعها.

Understanding the semantic meaning of content on the web through the lens of entities and concepts has many practical advantages. However, when building large-scale entity extraction systems, practitioners are facing unique challenges involving finding the best ways to leverage the scale and variety of data available on internet platforms. We present learnings from our efforts in building an entity extraction system for multiple document types at large scale using multi-modal Transformers. We empirically demonstrate the effectiveness of multi-lingual, multi-task and cross-document type learning. We also discuss the label collection schemes that help to minimize the amount of noise in the collected data.