NER
自然语言处理中的信息抽取任务，用于从文本中识别并分类人名、地名、机构名等命名实体
时间轴 (近 90 天)
PII（个人身份信息）检测通常采用轻量级命名实体识别（NER）模型，对文本与图像OCR结果进行实时扫描。
自然语言处理中的命名实体识别（NER）可用于定位食材和数量，现代NLP常基于Transformer架构（如BERT、GPT系列）进行食物领域微调以解析同义词。
Aegis 针对 DICOM 文件会清洗可识别元数据，并检查像素中元数据规则无法移除的烧录文字；OCR 检测候选文本区域，NER 帮助分类敏感实体，策略规则决定哪些内容需要遮蔽、加入白名单或转人工复核。
从非结构化语音文本提取结构化字段，可通过 LLM 的函数调用/结构化输出能力，或传统的命名实体识别（NER）模型实现
LLM 解析路径灵活性更高、能处理相对时间表达，但依赖外部 API 调用，存在延迟和成本；NER 路径速度更快、可本地部署，但对口语化歧义泛化能力较弱
PII脱敏的技术实现主要分为基于规则的正则匹配和基于NLP/NER模型的实体识别两类
基于 Transformer 的 NER 模型能利用上下文双向注意力机制将同一词串中的不同 token 分类到预定义的烹饪属性槽位，比传统正则规则解析器在长尾食材描述上更稳健
RecipeDB2 使用基于 Transformer 的命名实体识别模型解析食材短语，将其拆分为七种烹饪属性
Semantica采用信息抽取领域经典的NER/RE/EE三步管线抽取三元组，NER识别实体、RE判断实体间关系类型、EE抽取事件及要素
信息抽取流水线包括命名实体识别（NER）、关系抽取（RE）和共指消解（Coreference Resolution）
全部知识事实 (10)
PII（个人身份信息）检测通常采用轻量级命名实体识别（NER）模型，对文本与图像OCR结果进行实时扫描。
50%待验证自然语言处理中的命名实体识别（NER）可用于定位食材和数量，现代NLP常基于Transformer架构（如BERT、GPT系列）进行食物领域微调以解析同义词。
50%待验证Aegis 针对 DICOM 文件会清洗可识别元数据，并检查像素中元数据规则无法移除的烧录文字；OCR 检测候选文本区域，NER 帮助分类敏感实体，策略规则决定哪些内容需要遮蔽、加入白名单或转人工复核。
50%待验证从非结构化语音文本提取结构化字段，可通过 LLM 的函数调用/结构化输出能力，或传统的命名实体识别（NER）模型实现
50%待验证LLM 解析路径灵活性更高、能处理相对时间表达，但依赖外部 API 调用，存在延迟和成本；NER 路径速度更快、可本地部署，但对口语化歧义泛化能力较弱
50%待验证PII脱敏的技术实现主要分为基于规则的正则匹配和基于NLP/NER模型的实体识别两类
50%待验证基于 Transformer 的 NER 模型能利用上下文双向注意力机制将同一词串中的不同 token 分类到预定义的烹饪属性槽位，比传统正则规则解析器在长尾食材描述上更稳健
50%待验证RecipeDB2 使用基于 Transformer 的命名实体识别模型解析食材短语，将其拆分为七种烹饪属性
50%待验证Semantica采用信息抽取领域经典的NER/RE/EE三步管线抽取三元组，NER识别实体、RE判断实体间关系类型、EE抽取事件及要素
50%待验证信息抽取流水线包括命名实体识别（NER）、关系抽取（RE）和共指消解（Coreference Resolution）
50%