{"id":20292,"date":"2021-07-21T14:48:10","date_gmt":"2021-07-21T21:48:10","guid":{"rendered":"https:\/\/blog.webex.com\/uncategorized-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/"},"modified":"2021-08-03T07:30:16","modified_gmt":"2021-08-03T14:30:16","slug":"que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld","status":"publish","type":"post","link":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/","title":{"rendered":"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld?"},"content":{"rendered":"

Introducci\u00f3n<\/strong><\/h2>\n

La resoluci\u00f3n de entidades (ER) es el proceso de desambiguaci\u00f3n de una entidad. Se consigue asignando una menci\u00f3n textual al nombre m\u00e1s apropiado del mundo real presente en una base de conocimientos (KB) de b\u00fasqueda. Por ejemplo, resolviendo \u201cmadrid fc<\/em>\u201d a \u201cReal Madrid Club de F\u00fatbol<\/em>\u201d, donde el primero es una de las par\u00e1frasis del segundo. La resoluci\u00f3n de entidades suele recibir otros nombres, como correspondencia de entidades, vinculaci\u00f3n de entidades, vinculaci\u00f3n de registros o deduplicaci\u00f3n de registros.<\/p>\n

La resoluci\u00f3n de entidades est\u00e1 disponible como parte del proceso NLP<\/a> de MindMeld y se utiliza para desambiguar las entidades identificadas en la entrada del usuario compar\u00e1ndolas con una KB previamente completada. Consulte la documentaci\u00f3n oficial<\/a> para aprender a crear una KB para el solucionador de entidades y trabajar con \u00e9l mientras crea una aplicaci\u00f3n MindMeld.<\/p>\n

Hasta hace poco, MindMeld ofrec\u00eda dos opciones para la resoluci\u00f3n de entidades: una basada en el motor de b\u00fasqueda y an\u00e1lisis de texto completo Elasticsearch<\/a> y otra basada en un simple algoritmo de coincidencia exacta como opci\u00f3n alternativa. Con la creciente diversidad en las aplicaciones de MindMeld, es posible que estas opciones no siempre sean factibles. Para ofrecer un soporte extendido, ahora MindMeld proporciona dos opciones adicionales para la resoluci\u00f3n de entidades: una basada en TF-IDF<\/a> y otra basada en representaciones de modelos neuronales previamente entrenados (BERT<\/a>, GloVe<\/a>, fastText<\/a>, etc.). En particular, estas nuevas opciones no tienen ninguna dependencia de Elasticsearch (y sus servicios).<\/p>\n

Antes de entrar en m\u00e1s detalles sobre estas nuevas opciones, hagamos un resumen r\u00e1pido de c\u00f3mo se estructura una base de conocimiento de entidades en MindMeld. A continuaci\u00f3n, se muestra un ejemplo del plan de pedido de alimentos<\/a> con la base de conocimientos creada para desambiguar los nombres de los alimentos:<\/p>\n

\"Plan


\n<\/a> Instant\u00e1nea de una base de conocimientos para la resoluci\u00f3n de entidades<\/p><\/div>\n

\u00a0<\/p>\n

Como se observa, el campo \u201ccname\u201d (nombre can\u00f3nico) junto con el campo \u201cwhitelist\u201d ejemplifican algunos usos populares para cada alimento junto con el campo \u201cid\u201d que se refiere a un registro \u00fanico y oficialmente reconocido en la base de conocimientos. Estos tres campos constituyen principalmente un objeto de entidad en la KB. El texto del campo \u201ccname\u201d se utiliza generalmente en las respuestas conversacionales, y los del campo \u201cwhitelist\u201d, junto con el nombre can\u00f3nico, sirven como alias al desambiguar. A menudo, los mejores resultados de un solucionador de entidades se obtienen cuando el campo \u201cwhitelist\u201d se completa de forma exhaustiva (por ejemplo, incluyendo usos alternativos, errores ortogr\u00e1ficos, formas cortas, etc.). Este tipo de selecci\u00f3n puede convertirse en un proceso tedioso en algunas aplicaciones, pero es inevitable cuando se trata de entidades en un dominio muy especializado.<\/p>\n

Obtenga m\u00e1s informaci\u00f3n sobre los solucionadores reci\u00e9n a\u00f1adidos<\/strong><\/h2>\n

En los solucionadores que no son de coincidencia exacta, el primer paso es obtener una representaci\u00f3n vectorial para el texto de entrada que hay que desambiguar y para todas las entradas de la KB (cnames m\u00e1s listas blancas) que sirven de alias para la desambiguaci\u00f3n. Luego, mediante el uso de alguna forma de comparaci\u00f3n de similitudes vectoriales (por ejemplo, la similitud del coseno), se punt\u00faan y clasifican los alias.<\/p>\n

En las opciones de resoluci\u00f3n de entidades reci\u00e9n a\u00f1adidas, el solucionador basado en TF-IDF selecciona diversas caracter\u00edsticas de n-gramas (es decir, caracter\u00edsticas de texto a nivel de superficie) antes de calcular las similitudes del coseno en los vectores dispersos. Asimismo, un solucionador basado en un incrustador previamente entrenado hace coincidencias utilizando la similitud del coseno en representaciones vectoriales densas de texto.<\/p>\n

Aprovechar los incrustadores previamente entrenados para la resoluci\u00f3n de entidades tiene algunas ventajas sobre otros enfoques. Por ejemplo, ofrecen una comprensi\u00f3n sem\u00e1ntica del texto sin tener que completar extensamente las listas blancas (por ejemplo, \u201crendimiento por debajo de las expectativas\u201d equivale a \u201crendimiento deficiente\u201d) y proporcionan una f\u00e1cil transici\u00f3n a la coincidencia de entidades multiling\u00fces (por ejemplo, inferir que \u201ctercio\u201d en espa\u00f1ol es lo mismo que \u201ctercero\u201d en ingl\u00e9s). Sin embargo, las discrepancias entre el entrenamiento previo y la inferencia, como la diferencia en la longitud de los textos de entrada, ponen en desventaja a los incrustadores previamente entrenados. Adem\u00e1s, los tiempos de inferencia de los modelos de incrustaci\u00f3n pueden ser mayores que los de otras opciones de resoluci\u00f3n debido a los c\u00e1lculos de vectores densos subyacentes. No obstante, si se ajustan adecuadamente, los modelos de incrustaci\u00f3n pueden superar a otras opciones de resoluci\u00f3n basadas principalmente en caracter\u00edsticas de texto a nivel de superficie.<\/p>\n

En el an\u00e1lisis que se realiza a continuaci\u00f3n, se comparan los solucionadores basados en incrustadores previamente entrenados con los solucionadores de entidades de Elasticsearch y TF-IDF. Los conjuntos de datos seleccionados para esta comparaci\u00f3n involucran tanto la coincidencia de texto a nivel de superficie como la sem\u00e1ntica.<\/p>\n

Rendimiento de los diferentes solucionadores<\/strong><\/h2>\n

Tras experimentar con varios conjuntos de datos seleccionados internamente, a continuaci\u00f3n, se muestra el rendimiento promedio de los distintos solucionadores de entidades para la coincidencia de entidades de texto corto. La puntuaci\u00f3n de recuperaci\u00f3n Top-1 se informa aqu\u00ed como la medida de precisi\u00f3n:<\/p>\n

\"Rendimiento


\n<\/a> Rendimiento de diferentes solucionadores de entidades<\/p><\/div>
\n\u00a0<\/p>\n

Las variantes de BERT previamente entrenadas est\u00e1n disponibles como parte de los transformadores de oraciones de Huggingface<\/a>, y el gr\u00e1fico presenta las puntuaciones de solo las cinco variantes de mejor rendimiento. Los modelos de incrustaci\u00f3n de palabras previamente entrenados, como fastText, generalmente funcionan peor que los modelos de incrustaci\u00f3n BERT o los solucionadores basados en TF-IDF. Estos bajos rendimientos podr\u00edan atribuirse al cambio de dominio y a la falta de ajuste.<\/p>\n

Un an\u00e1lisis m\u00e1s detallado utilizando diferentes configuraciones de la variante de BERT con mejor rendimiento (\u2018distilbert-base-nli-stsb-mean-tokens\u2019<\/em>) arroja los siguientes resultados:<\/p>\n

\"Precisi\u00f3n


\n<\/a> Rendimiento de diferentes configuraciones mientras se utiliza la variante de BERT de mejor rendimiento<\/p><\/div>\n

\u00a0<\/p>\n

Los resultados muestran que las puntuaciones de similitud alternativas, como BERTScore<\/a>, no son competitivas. Adem\u00e1s, el uso de la similitud del coseno mientras se concatenan las diferentes capas del modelo BERT generan un aumento del rendimiento que coincide con el de Elasticsearch. Esto es intuitivo, ya que las diferentes capas de BERT pueden captar informaci\u00f3n complementaria. Incluso despu\u00e9s de cuantificar<\/a> la variante BERT para que ocupe menos espacio en la memoria y sea menos compleja en t\u00e9rminos de tiempo, el rendimiento solo se degrada en un 2 a 3%.<\/p>\n

Adem\u00e1s, cuando se eval\u00faa sobre datos con ruido aleatorio que contienen errores ortogr\u00e1ficos en la entrada, el solucionador basado en TF-IDF supera a los dem\u00e1s. Esto podr\u00eda deberse a la diversidad del conjunto de n-gramas captados por este solucionador. (Para este experimento, los textos de la lista blanca se reutilizan como instancias de prueba y se les introducen errores ortogr\u00e1ficos. Por lo tanto, con un 0% de ruido, se observa una precisi\u00f3n del 100%, ya que todas las entidades de prueba tambi\u00e9n est\u00e1n presentes en las listas blancas).<\/p>\n

\"Rendimiento


\n<\/a> Rendimiento de la coincidencia de textos con errores ortogr\u00e1ficos<\/p><\/div>\n

\u00a0<\/p>\n

Por \u00faltimo, el siguiente gr\u00e1fico ilustra las diferencias en las complejidades del tiempo de inferencia entre las distintas opciones de solucionadores:<\/p>\n


\n \"Time
\n<\/a><\/p>\n

\u00a0<\/p>\n

(De izquierda a derecha: BERT, TF-IDF, Elasticsearch m\u00e1s precisos) Tiempo de inferencia por entidad cuando se mide en bases de conocimiento de diferentes tama\u00f1os. El eje X muestra el tama\u00f1o de la base de conocimientos, mientras que el eje Y muestra el tiempo por entidad en milisegundos. El amarillo es el tiempo de inferencia para codificar el texto de entrada, y el verde es el tiempo de inferencia para el c\u00e1lculo de la similitud.<\/p>\n

Las complejidades de tiempo de TF-IDF y Elasticsearch son bastante comparables, mientras que la mejor variante de BERT, aunque cuantificada, es veinte veces m\u00e1s lenta. Esto mejora hasta una ralentizaci\u00f3n de diez veces cuando no concatenamos las cuatro capas superiores, pero conlleva una p\u00e9rdida de precisi\u00f3n.<\/p>\n

Selecci\u00f3n y configuraci\u00f3n de un solucionador de entidades<\/strong><\/h2>\n

Las configuraciones del solucionador de entidades de MindMeld contienen diversos par\u00e1metros configurables basados en el solucionador que se utiliza. El siguiente fragmento, cuando se proporciona en el archivo \u201cconfig.py\u201d de una aplicaci\u00f3n, utiliza un modelo BERT previamente entrenado de su elecci\u00f3n de Huggingface:<\/p>\n

ENTITY_RESOLVER_CONFIG = {<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_type’: ‘resolver’,<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_settings’: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘resolver_type’: ‘sbert_cosine_similarity’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘pretrained_name_or_abspath’: ‘distilbert-base-nli-stsb-mean-tokens’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 …<\/em><\/p>\n

\u00a0\u00a0\u00a0 }<\/em><\/p>\n

}<\/em><\/p>\n

Puede utilizar otros modelos de incrustaci\u00f3n modificando el par\u00e1metro \u201cembedder_type\u201d:<\/p>\n

ENTITY_RESOLVER_CONFIG = {<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_type’: ‘resolver’,<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_settings’: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘resolver_type’: ‘embedder_cosine_similarity’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘embedder_type’: ‘glove’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 \u2026<\/em><\/p>\n

\u00a0\u00a0\u00a0 }<\/em><\/p>\n

}<\/em><\/p>\n

Tambi\u00e9n puede especificar configuraciones en tiempo de ejecuci\u00f3n como \u201cbatch_size\u201d cuando se utiliza un modelo de incrustaci\u00f3n, junto con configuraciones espec\u00edficas del modelo de incrustaci\u00f3n. Para cargar un solucionador basado en TF-IDF, puede hacer lo siguiente:<\/p>\n

ENTITY_RESOLVER_CONFIG = {<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_type’: ‘resolver’,<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_settings’: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘resolver_type’: ‘tfidf_cosine_similarity’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 …<\/em><\/p>\n

\u00a0\u00a0\u00a0 }<\/em><\/p>\n

}<\/em><\/p>\n

Para cada objeto de entidad en la KB, tambi\u00e9n se calculan incrustaciones especiales, que son el conjunto medio\/m\u00e1ximo de todas las incrustaciones de los alias, y se utilizan para la resoluci\u00f3n si se configura. Estas incrustaciones especiales suelen mejorar la precisi\u00f3n de los solucionadores con solo un aumento marginal del costo computacional. Para conocer todos los detalles y todas las opciones configurables, consulte la secci\u00f3n \u201cConfiguraciones\u201d de la documentaci\u00f3n oficial<\/a>.<\/p>\n

Reflexiones finales y trabajo futuro<\/strong><\/h2>\n

En general, se recomienda el solucionador basado en Elasticsearch, a menos que no se pueda utilizar por alguna situaci\u00f3n especial. Como alternativa, se pueden utilizar solucionadores basados en modelos de incrustaci\u00f3n cuando se requiera una mayor coincidencia sem\u00e1ntica o un solucionador basado en TF-IDF si no existe tal requisito. El m\u00f3dulo ER de MindMeld todav\u00eda no proporciona ninguna API para evaluar qu\u00e9 solucionador funciona mejor para su aplicaci\u00f3n. Est\u00e9 atento, ya que tenemos previsto a\u00f1adir esa compatibilidad, junto con formas de ajustar los solucionadores basados en modelos de incrustaci\u00f3n.<\/p>\n

\u00a0<\/p>\n

Reg\u00edstrese en Webex<\/a><\/p>\n

Visite nuestra p\u00e1gina de inicio<\/a> o p\u00f3ngase en contacto con nosotros<\/a> directamente para obtener ayuda.<\/p>\n


\n Haga clic aqu\u00ed<\/a> para obtener m\u00e1s informaci\u00f3n sobre las ofertas de Webex y para inscribirse en una cuenta gratuita.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Introducci\u00f3n La resoluci\u00f3n de entidades (ER) es el proceso de desambiguaci\u00f3n de una entidad. Se consigue asignando una menci\u00f3n textual […]<\/p>\n","protected":false},"author":5432,"featured_media":18906,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1535],"tags":[887],"class_list":["post-20292","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-engineering-es","tag-pstn"],"acf":[],"yoast_head":"\n\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld? | Webex Blog<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld? | Webex Blog\" \/>\n<meta property=\"og:description\" content=\"Introducci\u00f3n La resoluci\u00f3n de entidades (ER) es el proceso de desambiguaci\u00f3n de una entidad. Se consigue asignando una menci\u00f3n textual […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/\" \/>\n<meta property=\"og:site_name\" content=\"Webex Blog\" \/>\n<meta property=\"article:published_time\" content=\"2021-07-21T21:48:10+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2021-08-03T14:30:16+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\" \/>\n\t<meta property=\"og:image:width\" content=\"975\" \/>\n\t<meta property=\"og:image:height\" content=\"554\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Sai Muralidhar Jayanthi\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Sai Muralidhar Jayanthi\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"9 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/\"},\"author\":{\"name\":\"Sai Muralidhar Jayanthi\",\"@id\":\"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461\"},\"headline\":\"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld?\",\"datePublished\":\"2021-07-21T21:48:10+00:00\",\"dateModified\":\"2021-08-03T14:30:16+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/\"},\"wordCount\":1776,\"commentCount\":0,\"image\":{\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"keywords\":[\"PSTN\"],\"articleSection\":[\"Ingenier\u00eda\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/\",\"url\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/\",\"name\":\"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld? | Webex Blog\",\"isPartOf\":{\"@id\":\"https:\/\/blog.webex.com\/es\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"datePublished\":\"2021-07-21T21:48:10+00:00\",\"dateModified\":\"2021-08-03T14:30:16+00:00\",\"author\":{\"@id\":\"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461\"},\"breadcrumb\":{\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#primaryimage\",\"url\":\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"contentUrl\":\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"width\":975,\"height\":554,\"caption\":\"What's new with entity resolution in MindMeld?\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/blog.webex.com\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/blog.webex.com\/es\/#website\",\"url\":\"https:\/\/blog.webex.com\/es\/\",\"name\":\"Webex Blog\",\"description\":\"Webex by Cisco powers collaboration through industry-leading video conferencing, cloud calling and contact center solutions\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/blog.webex.com\/es\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461\",\"name\":\"Sai Muralidhar Jayanthi\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/blog.webex.com\/es\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g\",\"caption\":\"Sai Muralidhar Jayanthi\"},\"description\":\"Sai Muralidhar Jayanthi is a Machine Learning Engineer on the MindMeld team at Cisco, where he builds production-level conversational interfaces. Specifically, he works on enhancing core functionalities of Natural Language Processing pipelines such as entity linking and question answering, and is passionate about developing ML algorithms that better suit low-resource and multilingual settings. Prior to MindMeld, Sai completed his Masters in Intelligent Information Systems from Carnegie Mellon University.\",\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/sai-murali\/\"],\"url\":\"https:\/\/blog.webex.com\/es\/contributors\/sjayanthi\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld? | Webex Blog","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/","og_locale":"es_ES","og_type":"article","og_title":"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld? | Webex Blog","og_description":"Introducci\u00f3n La resoluci\u00f3n de entidades (ER) es el proceso de desambiguaci\u00f3n de una entidad. Se consigue asignando una menci\u00f3n textual […]","og_url":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/","og_site_name":"Webex Blog","article_published_time":"2021-07-21T21:48:10+00:00","article_modified_time":"2021-08-03T14:30:16+00:00","og_image":[{"width":975,"height":554,"url":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","type":"image\/png"}],"author":"Sai Muralidhar Jayanthi","twitter_misc":{"Escrito por":"Sai Muralidhar Jayanthi","Tiempo de lectura":"9 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#article","isPartOf":{"@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/"},"author":{"name":"Sai Muralidhar Jayanthi","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461"},"headline":"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld?","datePublished":"2021-07-21T21:48:10+00:00","dateModified":"2021-08-03T14:30:16+00:00","mainEntityOfPage":{"@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/"},"wordCount":1776,"commentCount":0,"image":{"@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","keywords":["PSTN"],"articleSection":["Ingenier\u00eda"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/","url":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/","name":"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld? | Webex Blog","isPartOf":{"@id":"https:\/\/blog.webex.com\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#primaryimage"},"image":{"@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","datePublished":"2021-07-21T21:48:10+00:00","dateModified":"2021-08-03T14:30:16+00:00","author":{"@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461"},"breadcrumb":{"@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#primaryimage","url":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","contentUrl":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","width":975,"height":554,"caption":"What's new with entity resolution in MindMeld?"},{"@type":"BreadcrumbList","@id":"https:\/\/blog.webex.com\/es\/engineering-es\/que-tiene-de-novedosa-la-resolucion-de-entidades-en-mindmeld\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blog.webex.com\/es\/"},{"@type":"ListItem","position":2,"name":"\u00bfQu\u00e9 tiene de novedosa la resoluci\u00f3n de entidades en MindMeld?"}]},{"@type":"WebSite","@id":"https:\/\/blog.webex.com\/es\/#website","url":"https:\/\/blog.webex.com\/es\/","name":"Webex Blog","description":"Webex by Cisco powers collaboration through industry-leading video conferencing, cloud calling and contact center solutions","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blog.webex.com\/es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461","name":"Sai Muralidhar Jayanthi","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g","caption":"Sai Muralidhar Jayanthi"},"description":"Sai Muralidhar Jayanthi is a Machine Learning Engineer on the MindMeld team at Cisco, where he builds production-level conversational interfaces. Specifically, he works on enhancing core functionalities of Natural Language Processing pipelines such as entity linking and question answering, and is passionate about developing ML algorithms that better suit low-resource and multilingual settings. Prior to MindMeld, Sai completed his Masters in Intelligent Information Systems from Carnegie Mellon University.","sameAs":["https:\/\/www.linkedin.com\/in\/sai-murali\/"],"url":"https:\/\/blog.webex.com\/es\/contributors\/sjayanthi\/"}]}},"_links":{"self":[{"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/posts\/20292","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/users\/5432"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/comments?post=20292"}],"version-history":[{"count":0,"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/posts\/20292\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/media\/18906"}],"wp:attachment":[{"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/media?parent=20292"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/categories?post=20292"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.webex.com\/es\/wp-json\/wp\/v2\/tags?post=20292"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}