Modelos Baseados em Transformadores para Reconhecimento de Entidades Nomeadas: Um Estudo Comparativo

O reconhecimento de entidades nomeadas (NER) é um problema crítico em processamento de linguagem natural (PLN) que inclui a detecção e classificação de entidades nomeadas em textos. Neste artigo de pesquisa, realizamos uma investigação completa sobre NER usando o conjunto de dados CoNLL. Exploramos a evolução das técnicas de NER, desde métodos tradicionais baseados em regras até modelos modernos baseados em transformadores. Nossos experimentos se concentram em avaliar o desempenho de três modelos populares: BERT, ALBERT e XLM-RoBERTa, no conjunto de dados CoNLL. Analisamos suas precisões e discutimos suas forças e limitações. Os resultados demonstram a eficácia dos modelos baseados em transformadores, com BERT alcançando uma precisão de 99,50%, ALBERT alcançando 96,90% de precisão e XLM-RoBERTa alcançando 87,82% de precisão. Discutimos a importância do pré-processamento de dados, do ajuste fino do modelo e da otimização de hiperparâmetros para alcançar um desempenho ideal. Esta pesquisa contribui para a compreensão das técnicas de NER e fornece insights sobre o desempenho de modelos baseados em transformadores para tarefas de NER.