Varlık Ayrıştırma (Entity Disambiguation) Nedir?

Aynı ad, farklı varlıklar

"Ege" kelimesi bir coğrafi bölgeyi, bir denizi, bir üniversiteyi ya da bir kişiyi anlatabilir. İnsan okur bunu cümlenin geri kalanından anında çözer; "Ege'de bu yaz su sıcaklığı yükseldi" ile "Ege'nin tıp fakültesi" farklı varlıklardan söz eder. Arama motorları ve yapay zekâ sistemleri aynı kararı otomatik olarak, milyonlarca belge için vermek zorundadır. Bu karara varlık ayrıştırma denir ve entity kavramının pratikte işe yarayabilmesinin ön koşuludur.

Üç yakın kavram

Ayrıştırma, bağlama sürecinin karar adımıdır: NER bir ifadeyi bulur, ayrıştırma birden fazla aday arasından doğrusunu seçer. Varlık çözümleme ise metin yerine kayıtlar üzerinde çalışır; aynı işletmenin farklı yazılmış adreslerini tek kayıtta toplamak buna örnektir.

Bir sistem nasıl karar verir?

1. Aday üretimi: İfadeye karşılık gelebilecek varlıklar bir sözlükten çıkarılır. Bu sözlük, varlıkların resmî adları, takma adları, kısaltmaları ve onlara bağlantı veren metinlerden oluşur.
2. Bağlam puanlaması: Her aday, çevredeki kelimelerle ve metinde geçen diğer varlıklarla karşılaştırılır. "Su sıcaklığı" ve "kıyı" kelimeleri denizi, "fakülte" ve "rektör" üniversiteyi öne çıkarır.
3. Tutarlılık: Aynı belgede geçen varlıklar birbirine uygun seçilir. Metinde İzmir ve Bornova da geçiyorsa, "Ege"nin bölge ya da üniversite olma olasılığı artar.
4. Önsel bilinirlik: Bağlam zayıfsa sistem en yaygın anlama yönelir. Az bilinen bir marka, bu yüzden yaygın bir kelimeyle aynı adı taşıyorsa kolayca gözden kaybolur.
5. Eşleşme yok kararı: Hiçbir aday yeterince uymuyorsa ifade bilgi tabanında karşılığı olmayan yeni bir varlık olarak bırakılır.

Kalıcı kimlikler: adların yerine numaralar

Adlar değişir ve çakışır; bu yüzden bilgi tabanları her varlığa kalıcı bir kimlik verir. Wikidata'da her öğe Q ile başlayan bir numaraya sahiptir: Albert Einstein'ın kimliği Q937'dir ve bu numara, adı hangi dilde nasıl yazılırsa yazılsın değişmez. Google'ın Knowledge Graph Search API'si ve Cloud Natural Language API'si de varlıkları /m/ ile başlayan MID kimlikleriyle döndürür. Ayrıştırmanın sonucu aslında "bu ifade şu kimliğe karşılık gelir" kararıdır.

Kendi içeriğinizde bu kararı kolaylaştırabilirsiniz. Bir yazının ele aldığı varlığı yapılandırılmış veride kalıcı bir kimlikle işaretlemek belirsizliği azaltır:

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Görelilik Kuramına Kısa Bir Giriş",
  "about": {
    "@type": "Person",
    "name": "Albert Einstein",
    "sameAs": "https://www.wikidata.org/wiki/Q937"
  }
}

Markanızın başka bir varlıkla karışmasını önlemek

Marka adı yaygın bir kelimeyle, bir şehirle ya da başka bir şirketle aynıysa yapay zekâ yanıtlarında yanlış adres, yanlış kurucu veya yanlış sektör bilgisi görülebilir. Bu riski azaltan adımlar:

• Adı her yerde aynı biçimde ve ayırt edici bir bağlamla kullanmak: "Örnek, İzmir merkezli bir yazılım şirketidir" cümlesi, yalnızca "Örnek"ten çok daha az belirsizdir.
• Organization işaretlemesinde sabit bir @id kullanmak ve resmî profilleri sameAs ile bağlamak.
• Ad, adres ve telefon bilgisini tüm platformlarda tutarlı tutmak; bu, kayıtların aynı işletmeye bağlanmasını kolaylaştırır.
• Hakkımızda sayfasında kim olduğunuzu, ne yaptığınızı ve nerede bulunduğunuzu düz cümlelerle anlatmak.

Bu sinyallerin hiçbiri tek başına doğru eşleşmeyi garanti etmez; ama birlikte, sistemin bağlam puanlamasında doğru adayı seçmesi için gereken kanıtı sağlar. Bağlanan kayıtların bütünü bir bilgi grafiği oluşturur.