{"id":20293,"date":"2021-07-21T14:48:10","date_gmt":"2021-07-21T21:48:10","guid":{"rendered":"https:\/\/blog.webex.com\/uncategorized-fr\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/"},"modified":"2021-08-03T07:30:17","modified_gmt":"2021-08-03T14:30:17","slug":"quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld","status":"publish","type":"post","link":"https:\/\/blog.webex.com\/fr\/engineering-fr\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/","title":{"rendered":"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0?"},"content":{"rendered":"

Introduction<\/strong><\/h2>\n

La r\u00e9solution d\u2019entit\u00e9s (ER, Entity resolution) est le processus de d\u00e9sambigu\u00efsation d\u2019une entit\u00e9. Il consiste \u00e0 mapper une mention textuelle vers le nom r\u00e9el le plus appropri\u00e9 pr\u00e9sent dans une base de connaissances de r\u00e9f\u00e9rence (KB, knowledge base). Il permet, par exemple, de r\u00e9soudre `madrid fc<\/em>` en `Real Madrid Club de F\u00fatbol<\/em>`, le premier \u00e9l\u00e9ment \u00e9tant une des paraphrases du second \u00e9l\u00e9ment. La r\u00e9solution d\u2019entit\u00e9s est souvent d\u00e9sign\u00e9e par d\u2019autres termes, tels que \u00ab\u00a0correspondance d\u2019entit\u00e9s\u00a0\u00bb, \u00ab\u00a0liaison r\u00e9f\u00e9rentielle d\u2019entit\u00e9s\u00a0\u00bb, \u00ab\u00a0liaison d\u2019enregistrements\u00a0\u00bb ou \u00ab\u00a0d\u00e9duplication d\u2019enregistrements\u00a0\u00bb.<\/p>\n

La r\u00e9solution d\u2019entit\u00e9s est disponible dans le cadre du Pipeline\u00a0NLP<\/a> de MindMeld et permet de d\u00e9sambigu\u00efser toutes les entit\u00e9s identifi\u00e9es dans les donn\u00e9es entr\u00e9es par un utilisateur, en les mettant en correspondance avec une base de connaissances pr\u00e9remplie. Reportez-vous \u00e0 la documentation officielle <\/a> pour d\u00e9couvrir comment cr\u00e9er une base de connaissances pour un r\u00e9solveur d\u2019entit\u00e9s et l\u2019utiliser durant la cr\u00e9ation d\u2019une application MindMeld.<\/p>\n

Jusqu\u2019\u00e0 r\u00e9cemment, MindMeld proposait deux possibilit\u00e9s pour la r\u00e9solution d\u2019entit\u00e9s\u00a0: une bas\u00e9e sur le moteur de recherche et d\u2019analyse de texte int\u00e9gral Elasticsearch<\/a>, et une autre bas\u00e9 sur un algorithme simple de correspondance exacte comme option de remplacement. Avec la diversification croissante des applications de MindMeld, il est possible que ces options ne soient pas toujours envisageables. Afin d\u2019offrir une prise en charge \u00e9tendue, MindMeld propose d\u00e9sormais deux options additionnelles\u00a0: une bas\u00e9e sur TF-IDF<\/a>, et une autre reposant sur des repr\u00e9sentations de mod\u00e8les neuronaux pr\u00e9-entra\u00een\u00e9s (BERT<\/a>, GloVe,<\/a> fastText<\/a> etc.). Il est important de noter que ces nouvelles options ne pr\u00e9sentent aucune d\u00e9pendance avec Elasticsearch (et ses services).<\/p>\n

Avant de les examiner plus en d\u00e9tail, nous allons r\u00e9sumer bri\u00e8vement comment une base de connaissances d\u2019entit\u00e9s est structur\u00e9e dans MindMeld. L\u2019exemple suivant s\u2019appuie sur le plan Food Ordering<\/a> avec la base de connaissances cr\u00e9\u00e9e pour d\u00e9sambigu\u00efser des noms de produits alimentaires\u00a0:<\/p>\n

\"Plan


\n<\/a> Instantan\u00e9 d\u2019une base de connaissances de r\u00e9solution d\u2019entit\u00e9s<\/p><\/div>\n

\u00a0<\/p>\n

Comme on peut l\u2019observer, le champ `cname` (nom canonique) et le champ `whitelist` fournissent des exemples d\u2019usages courants pour chaque produit alimentaire, tandis que le champ `id` r\u00e9pertorie un enregistrement unique reconnu officiellement dans la base de connaissances. Ces trois champs constituent principalement un objet d\u2019entit\u00e9 dans la base de connaissances. Le texte figurant dans le champ `cname` est g\u00e9n\u00e9ralement utilis\u00e9 dans des r\u00e9ponses conversationnelles, alors que les termes figurant dans le champ `whitelist`, ainsi que le nom canonique, servent d\u2019alias lors de la d\u00e9sambigu\u00efsation. Les meilleurs r\u00e9sultats d\u2019un r\u00e9solveur d\u2019entit\u00e9s sont souvent obtenus lorsque le champ `whitelist` est rempli de mani\u00e8re exhaustive (ex., en incluant les termes alternatifs, les erreurs d\u2019orthographe, les formes abr\u00e9g\u00e9es, etc.). Ce type de s\u00e9lection peut se r\u00e9v\u00e9ler fastidieux dans certaines applications, mais il s\u2019agit d\u2019un processus in\u00e9vitable lors du traitement d\u2019entit\u00e9s dans un domaine hautement sp\u00e9cialis\u00e9.<\/p>\n

En savoir plus sur les r\u00e9solveurs nouvellement ajout\u00e9s<\/strong><\/h2>\n

Dans les r\u00e9solveurs n\u2019utilisant pas la correspondance exacte, la premi\u00e8re \u00e9tape consiste \u00e0 obtenir une repr\u00e9sentation vectorielle du texte d\u2019entr\u00e9e \u00e0 d\u00e9sambigu\u00efser, ainsi que pour toutes les entr\u00e9es de la base de connaissances (champs cnames et whitelists) utilis\u00e9s comme alias pour la d\u00e9sambigu\u00efsation. Les alias sont ensuite \u00e9valu\u00e9s et class\u00e9s au moyen d\u2019une sorte de mise en correspondance de vecteurs de similarit\u00e9s (ex., similarit\u00e9 cosinus).<\/p>\n

Avec les nouvelles options de r\u00e9solution d\u2019entit\u00e9s, le r\u00e9solveur bas\u00e9 sur TF-IDF s\u00e9lectionne diff\u00e9rentes caract\u00e9ristiques n-grammes (c\u2019est-\u00e0-dire, des caract\u00e9ristiques textuelles de surface) avant de calculer des similarit\u00e9s cosinus sur les vecteurs creux. De leur c\u00f4t\u00e9, les r\u00e9solveurs bas\u00e9s sur un embeddeur pr\u00e9-entra\u00een\u00e9 assurent la mise en correspondance au moyen de similarit\u00e9s cosinus sur des repr\u00e9sentations vectorielles denses de texte.<\/p>\n

Le recours \u00e0 des embeddeurs pr\u00e9-entra\u00een\u00e9s pour la r\u00e9solution d\u2019entit\u00e9s pr\u00e9sente certains avantages par rapport aux autres approches. Ils offrent par exemple une compr\u00e9hension s\u00e9mantique du texte sans n\u00e9cessiter le remplissage exhaustif de listes blanches (ex., `performances inf\u00e9rieures aux attentes` \u00e9quivaut \u00e0 `performances insuffisantes`) et permettent une transition facile vers la mise en correspondance d\u2019entit\u00e9s multilingues (ex., d\u00e9duire que `tercio` en espagnol est identique \u00e0 `troisi\u00e8me` en fran\u00e7ais). Cependant, les embeddeurs pr\u00e9-entra\u00een\u00e9s sont d\u00e9savantag\u00e9s par des \u00e9carts entre le pr\u00e9-entra\u00eenement et l\u2019inf\u00e9rence, tels que des diff\u00e9rences de longueur des textes d\u2019entr\u00e9e. De plus, les d\u00e9lais d\u2019inf\u00e9rence des mod\u00e8les bas\u00e9s sur des embeddeurs peuvent \u00eatre sup\u00e9rieurs \u00e0 ceux des autres r\u00e9solveurs en raison des calculs vectoriels denses sous-jacents. Cependant, lorsqu\u2019ils sont ajust\u00e9s de fa\u00e7on appropri\u00e9e, les mod\u00e8les bas\u00e9s sur des embeddeurs peuvent surpasser les autres r\u00e9solveurs bas\u00e9s principalement sur des caract\u00e9ristiques textuelles de surface.<\/p>\n

L\u2019analyse ci-dessous compare des r\u00e9solveurs bas\u00e9s sur un embeddeur pr\u00e9-entra\u00een\u00e9 \u00e0 des r\u00e9solveurs d\u2019entit\u00e9s Elasticsearch et TF-IDF. Les ensembles de donn\u00e9es s\u00e9lectionn\u00e9s pour cette comparaison impliquent des mises en correspondance de caract\u00e9ristiques textuelles de surface ainsi que des mises en correspondance s\u00e9mantiques.<\/p>\n

Performances de diff\u00e9rents r\u00e9solveurs<\/strong><\/h2>\n

Les r\u00e9sultats suivants pr\u00e9sentent les performances moyennes de diff\u00e9rents r\u00e9solveurs d\u2019entit\u00e9s en mati\u00e8re de correspondance de cha\u00eenes de texte courtes dans le cadre d\u2019une exp\u00e9rimentation avec diff\u00e9rents ensembles de donn\u00e9es s\u00e9lectionn\u00e9s en interne. Le meilleur score de r\u00e9cup\u00e9ration est indiqu\u00e9 ici en tant que mesure de l\u2019exactitude\u00a0:<\/p>\n

\"Performances


\n<\/a> Performances de diff\u00e9rents r\u00e9solveurs d\u2019entit\u00e9s<\/p><\/div>\n

\u00a0<\/p>\n

Les variantes BERT pr\u00e9-entra\u00een\u00e9es sont disponibles dans le cadre des transformateurs de phrases Huggingface<\/a>, et le graphique pr\u00e9sente les scores des 5\u00a0meilleures variantes uniquement. Les performances des mod\u00e8les \u00e0 plongement lexical pr\u00e9-entra\u00een\u00e9s, tels que fastText, sont g\u00e9n\u00e9ralement inf\u00e9rieures \u00e0 celles des mod\u00e8les bas\u00e9s sur des embeddeurs BERT ou des r\u00e9solveurs bas\u00e9s sur TF-IDF. La faiblesse de ces performances peut \u00eatre attribu\u00e9e au d\u00e9calage de domaine et \u00e0 l\u2019absence d\u2019ajustement.<\/p>\n

Une analyse plus approfondie utilisant diff\u00e9rentes configurations des meilleures variantes BERT (\u2018distilbert-base-nli-stsb-mean-tokens\u2019<\/em>) produit les r\u00e9sultats suivants\u00a0:<\/p>\n

\"Exactitude


\n<\/a> Performances de diff\u00e9rentes configurations avec les meilleures variantes BERT<\/p><\/div>\n

\u00a0<\/p>\n

Les r\u00e9sultats montrent que des scores de similarit\u00e9 alternatifs tels que BERTScore<\/a> ne sont pas comp\u00e9titifs. De plus, l\u2019utilisation de similarit\u00e9s cosinus pour concat\u00e9ner diff\u00e9rentes couches du mod\u00e8le BERT g\u00e9n\u00e8re des gains de performances correspondant aux performances d\u2019Elasticsearch. Il s\u2019agit d\u2019un constat intuitif, car diff\u00e9rentes couches du mod\u00e8le BERT peuvent capturer des informations compl\u00e9mentaires. M\u00eame apr\u00e8s avoir quantifi\u00e9<\/a> la r\u00e9duction des exigences en m\u00e9moire et de la complexit\u00e9 temporelle du mod\u00e8le BERT, la d\u00e9gradation des performances s\u2019\u00e9l\u00e8ve \u00e0 2 \u00e0 3\u00a0% seulement.<\/p>\n

Par ailleurs, lorsqu\u2019il est \u00e9valu\u00e9 avec des donn\u00e9es bruit\u00e9es de mani\u00e8re al\u00e9atoire contenant des fautes d\u2019orthographe dans le texte d\u2019entr\u00e9e, le r\u00e9solveur bas\u00e9 sur TF-IDF offre des performances sup\u00e9rieures aux autres. Ce r\u00e9sultat peut \u00eatre d\u00fb \u00e0 l\u2019ensemble diversifi\u00e9 de caract\u00e9ristiques n-grammes captur\u00e9es par ce r\u00e9solveur. (Pour cette exp\u00e9rimentation, les textes en liste blanche sont r\u00e9utilis\u00e9s en tant qu\u2019instances de test, et les fautes d\u2019orthographe sont induites dans celles-ci. De ce fait, avec un bruit de 0\u00a0%, une exactitude de 100\u00a0% est observ\u00e9e car toutes les entit\u00e9s de test sont \u00e9galement pr\u00e9sentes dans les listes blanches.)<\/p>\n

\"Performances


\n<\/a> Performances sur les correspondances de texte induites par des fautes d\u2019orthographe<\/p><\/div>\n

\u00a0<\/p>\n

Enfin, le dernier graphique illustre les diff\u00e9rences de complexit\u00e9s temporelles d\u2019inf\u00e9rence entre les diff\u00e9rents r\u00e9solveurs\u00a0:<\/p>\n


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

\u00a0<\/p>\n

(De gauche \u00e0 droite\u00a0: r\u00e9solveurs BERT, TF-IDF et Elasticsearch offrant les plus hauts niveaux d\u2019exactitude) D\u00e9lai d\u2019inf\u00e9rence par entit\u00e9 mesur\u00e9 avec des bases de connaissances de diff\u00e9rentes tailles. L\u2019axe\u00a0X pr\u00e9sente la taille de la base de connaissances, tandis que l\u2019axe\u00a0Y correspond au d\u00e9lai par entit\u00e9 en millisecondes. Les zones en jaune illustrent le d\u00e9lai d\u2019inf\u00e9rence requis pour l\u2019encodage du texte d\u2019entr\u00e9e, tandis que les zones en vert repr\u00e9sentent le d\u00e9lai d\u2019inf\u00e9rence n\u00e9cessaire aux calculs de similarit\u00e9.<\/p>\n

Les complexit\u00e9s temporelles de TF-IDF et Elasticsearch sont assez comparables, alors que la meilleure variante BERT, m\u00eame quantifi\u00e9e, est 20\u00a0fois plus lente. Ce d\u00e9lai est 10\u00a0fois plus long seulement lorsque les 4\u00a0meilleures couches ne sont pas concat\u00e9n\u00e9es, mais une diminution de l\u2019exactitude est alors observ\u00e9e.<\/p>\n

S\u00e9lection et configuration d\u2019un r\u00e9solveur d\u2019entit\u00e9s<\/strong><\/h2>\n

Les configurations de r\u00e9solveur d\u2019entit\u00e9s MindMeld fournissent diff\u00e9rents param\u00e8tres configurables selon le r\u00e9solveur utilis\u00e9. L\u2019extrait de code suivant, lorsqu\u2019il est int\u00e9gr\u00e9 au module `config.py` d\u2019une application, utilise un mod\u00e8le BERT pr\u00e9-entra\u00een\u00e9 de votre choix de Huggingface\u00a0:<\/p>\n

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

\u00a0\u00a0\u00a0 \u2019model_type\u2019: \u2019resolver\u2019,<\/em><\/p>\n

\u00a0\u00a0\u00a0 \u2019model_settings\u2019: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 \u2019resolver_type\u2019: \u2019sbert_cosine_similarity\u2019,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 \u2019pretrained_name_or_abspath\u2019: \u2019distilbert-base-nli-stsb-mean-tokens\u2019,<\/em><\/p>\n

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

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

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

Vous pouvez utiliser d\u2019autres mod\u00e8les d\u2019embeddeurs en modifiant le param\u00e8tre `embedder_type`\u00a0:<\/p>\n

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

\u00a0\u00a0\u00a0 \u2019model_type\u2019: \u2019resolver\u2019,<\/em><\/p>\n

\u00a0\u00a0\u00a0 \u2019model_settings\u2019: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 \u2019resolver_type\u2019: \u2019embedder_cosine_similarity\u2019,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 \u2019embedder_type\u2019: \u2019glove\u2019,<\/em><\/p>\n

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

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

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

Vous pouvez \u00e9galement sp\u00e9cifier des configurations d\u2019environnement d\u2019ex\u00e9cution telles que `batch_size` lorsque vous utilisez un mod\u00e8le d\u2019embeddeur, ainsi que des configurations sp\u00e9cifiques au mod\u00e8le d\u2019embeddeur. Pour charger un r\u00e9solveur bas\u00e9 sur TF-IDF, vous pouvez proc\u00e9der comme suit\u00a0:<\/p>\n

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

\u00a0\u00a0\u00a0 \u2019model_type\u2019: \u2019resolver\u2019,<\/em><\/p>\n

\u00a0\u00a0\u00a0 \u2019model_settings\u2019: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 \u2019resolver_type\u2019: \u2019tfidf_cosine_similarity\u2019,<\/em><\/p>\n

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

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

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

Pour chaque objet d\u2019entit\u00e9 dans la base de connaissances, des repr\u00e9sentations vectorielles continues sp\u00e9ciales, qui correspondent au pool moyen\/maximum des repr\u00e9sentations vectorielles continues de tous les alias, sont \u00e9galement calcul\u00e9es et utilis\u00e9es \u00e0 des fins de r\u00e9solution si elles sont configur\u00e9es. Ces repr\u00e9sentations vectorielles continues am\u00e9liorent souvent l\u2019exactitude des r\u00e9solveurs avec une augmentation seulement minime des co\u00fbts de calcul. Pour consulter des informations d\u00e9taill\u00e9es, ainsi que toutes les configurations possibles, reportez-vous \u00e0 la section \u00ab\u00a0Configurations\u00a0\u00bb de la documentation officielle<\/a>.<\/p>\n

Conclusions et d\u00e9veloppements futurs<\/strong><\/h2>\n

De mani\u00e8re g\u00e9n\u00e9rale, il est conseill\u00e9 d\u2019utiliser le r\u00e9solveur bas\u00e9 sur Elasticsearch, sauf si un sc\u00e9nario particulier l\u2019interdit. En remplacement, utilisez des r\u00e9solveurs bas\u00e9s sur un mod\u00e8le d\u2019embeddeur lorsqu\u2019une correspondance plus s\u00e9mantique est requise, ou un r\u00e9solveur bas\u00e9 sur TF-IDF si une telle exigence ne s\u2019applique pas. Le module de r\u00e9solution d\u2019entit\u00e9s de MindMeld ne fournit pas encore d\u2019API pour \u00e9valuer le r\u00e9solveur le plus adapt\u00e9 \u00e0 votre application. Suivez-nous, car nous pr\u00e9voyons d\u2019ajouter cette capacit\u00e9, ainsi que des m\u00e9thodes pour ajuster les r\u00e9solveurs bas\u00e9s sur un mod\u00e8le d\u2019embeddeur.<\/p>\n

\u00a0<\/p>\n

Inscrivez-vous \u00e0 Webex<\/a><\/p>\n

Acc\u00e9dez \u00e0 notre page d\u2019accueil<\/a> ou contactez-nous<\/a> directement si vous avez besoin d\u2019aide.<\/p>\n


\n Cliquez ici<\/a> pour en savoir plus sur les offres de Webex et cr\u00e9er un compte gratuit.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Introduction La r\u00e9solution d\u2019entit\u00e9s (ER, Entity resolution) est le processus de d\u00e9sambigu\u00efsation d\u2019une entit\u00e9. Il consiste \u00e0 mapper une mention […]<\/p>\n","protected":false},"author":5432,"featured_media":18900,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1528],"tags":[887],"class_list":["post-20293","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-engineering-fr","tag-pstn"],"acf":[],"yoast_head":"\nQuoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0? | 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\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0? | Webex Blog\" \/>\n<meta property=\"og:description\" content=\"Introduction La r\u00e9solution d\u2019entit\u00e9s (ER, Entity resolution) est le processus de d\u00e9sambigu\u00efsation d\u2019une entit\u00e9. Il consiste \u00e0 mapper une mention […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-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=\"2021-08-03T14:30:17+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=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Sai Muralidhar Jayanthi\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/\"},\"author\":{\"name\":\"Sai Muralidhar Jayanthi\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/es\\\/#\\\/schema\\\/person\\\/227b41168c1cb424ed0954680e006343\"},\"headline\":\"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0?\",\"datePublished\":\"2021-07-21T21:48:10+00:00\",\"dateModified\":\"2021-08-03T14:30:17+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/\"},\"wordCount\":2010,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/blog.webex.com\\\/wp-content\\\/uploads\\\/2021\\\/07\\\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"keywords\":[\"PSTN\"],\"articleSection\":[\"Ing\u00e9nierie\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/\",\"url\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/\",\"name\":\"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0? | Webex Blog\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/es\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-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\":\"2021-08-03T14:30:17+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/es\\\/#\\\/schema\\\/person\\\/227b41168c1cb424ed0954680e006343\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-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\\\/fr\\\/ingenierie\\\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/blog.webex.com\\\/fr\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0?\"}]},{\"@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\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/es\\\/#\\\/schema\\\/person\\\/227b41168c1cb424ed0954680e006343\",\"name\":\"Sai Muralidhar Jayanthi\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g\",\"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\\\/fr\\\/contributors\\\/sjayanthi\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0? | 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\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/","og_locale":"fr_FR","og_type":"article","og_title":"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0? | Webex Blog","og_description":"Introduction La r\u00e9solution d\u2019entit\u00e9s (ER, Entity resolution) est le processus de d\u00e9sambigu\u00efsation d\u2019une entit\u00e9. Il consiste \u00e0 mapper une mention […]","og_url":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/","og_site_name":"Webex Blog","article_published_time":"2021-07-21T21:48:10+00:00","article_modified_time":"2021-08-03T14:30:17+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":{"\u00c9crit par":"Sai Muralidhar Jayanthi","Dur\u00e9e de lecture estim\u00e9e":"10 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/#article","isPartOf":{"@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/"},"author":{"name":"Sai Muralidhar Jayanthi","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/227b41168c1cb424ed0954680e006343"},"headline":"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0?","datePublished":"2021-07-21T21:48:10+00:00","dateModified":"2021-08-03T14:30:17+00:00","mainEntityOfPage":{"@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/"},"wordCount":2010,"commentCount":0,"image":{"@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","keywords":["PSTN"],"articleSection":["Ing\u00e9nierie"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/","url":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/","name":"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0? | Webex Blog","isPartOf":{"@id":"https:\/\/blog.webex.com\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/#primaryimage"},"image":{"@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-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":"2021-08-03T14:30:17+00:00","author":{"@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/227b41168c1cb424ed0954680e006343"},"breadcrumb":{"@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/blog.webex.com\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-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\/fr\/ingenierie\/quoi-de-neuf-au-sujet-de-la-resolution-dentite-dans-mindmeld\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blog.webex.com\/fr\/"},{"@type":"ListItem","position":2,"name":"Quoi de neuf au sujet de la r\u00e9solution d\u2019entit\u00e9 dans MindMeld\u00a0?"}]},{"@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":"fr-FR"},{"@type":"Person","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/227b41168c1cb424ed0954680e006343","name":"Sai Muralidhar Jayanthi","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g","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\/fr\/contributors\/sjayanthi\/"}]}},"_links":{"self":[{"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/posts\/20293","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/users\/5432"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/comments?post=20293"}],"version-history":[{"count":0,"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/posts\/20293\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/media\/18900"}],"wp:attachment":[{"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/media?parent=20293"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/categories?post=20293"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.webex.com\/fr\/wp-json\/wp\/v2\/tags?post=20293"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}