{"id":20295,"date":"2021-07-21T14:48:10","date_gmt":"2021-07-21T21:48:10","guid":{"rendered":"https:\/\/blog.webex.com\/uncategorized-pt-br\/quais-sao-as-novidades-com-a-resolucao-de-entidades-na-mindmeld\/"},"modified":"2021-08-03T07:30:19","modified_gmt":"2021-08-03T14:30:19","slug":"quais-sao-as-novidades-com-a-resolucao-de-entidades-na-mindmeld","status":"publish","type":"post","link":"https:\/\/blog.webex.com\/pt-br\/engineering-pt-br\/quais-sao-as-novidades-com-a-resolucao-de-entidades-na-mindmeld\/","title":{"rendered":"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na MindMeld?"},"content":{"rendered":"

Introdu\u00e7\u00e3o<\/strong><\/h2>\n

A resolu\u00e7\u00e3o de entidades (ER) \u00e9 o processo de desambigua\u00e7\u00e3o de uma entidade. \u00c9 alcan\u00e7ada mapeando uma men\u00e7\u00e3o textual ao nome real mais adequado presente em uma base de conhecimento de consulta (KB, knowledge base). Por exemplo, resolver `madrid fc<\/em>` para `Real Madrid Club de F\u00fatbol,<\/em>` no qual o primeiro nome \u00e9 um dos jeitos de mencionar o segundo. A resolu\u00e7\u00e3o de entidades \u00e9 frequentemente conhecida por outros nomes, como correspond\u00eancia de entidades, vincula\u00e7\u00e3o de entidades, vincula\u00e7\u00e3o de registros ou desduplica\u00e7\u00e3o de registros.<\/p>\n

A resolu\u00e7\u00e3o de entidades est\u00e1 dispon\u00edvel como parte da Pipeline NLP<\/a> da MindMeld e \u00e9 usada para eliminar a ambiguidade de qualquer entidade identificada na inser\u00e7\u00e3o de usu\u00e1rios, comparando com uma KB pr\u00e9-preenchida. Consulte a documenta\u00e7\u00e3o oficial<\/a> para saber como criar uma KB para resolver entidades e trabalhar com ela ao desenvolver um aplicativo MindMeld.<\/p>\n

At\u00e9 recentemente, a MindMeld oferecia duas op\u00e7\u00f5es para resolu\u00e7\u00e3o de entidades: uma baseada no mecanismo de pesquisa de texto e an\u00e1lise do Elastic\u00a0Search<\/a> e outra baseada em um algoritmo de correspond\u00eancia exata simples, como uma op\u00e7\u00e3o alternativa. Com a crescente diversidade nos aplicativo MindMeld, essas op\u00e7\u00f5es podem nem sempre ser vi\u00e1veis. Para dar suporte estendido, a MindMeld agora oferece duas op\u00e7\u00f5es adicionais para resolu\u00e7\u00e3o de entidades: uma baseada em TF-IDF<\/a> e outra baseada em representa\u00e7\u00f5es de modelo neural pr\u00e9-treinado (BERT<\/a>, GloVe,<\/a> fastText<\/a> etc.). Vale ressaltar que essas novas op\u00e7\u00f5es n\u00e3o t\u00eam nenhuma depend\u00eancia do Elastic\u00a0Search (e dos servi\u00e7os dele).<\/p>\n

Antes de entrar em mais detalhes sobre essas novas op\u00e7\u00f5es, vamos relembrar rapidamente como uma base de conhecimento de entidade \u00e9 estruturada no MindMeld. O seguinte \u00e9 um exemplo de blueprint de pedido de refei\u00e7\u00e3o<\/a> com a base de conhecimento criada para eliminar a ambiguidade entre nomes de itens do card\u00e1pio:<\/p>\n

\"Blueprint


\n<\/a> Imagem de uma base de conhecimento para resolu\u00e7\u00e3o de entidades<\/p><\/div>\n

\u00a0<\/p>\n

Como observamos, o campo `cname` (nome can\u00f4nico) junto com o campo `whitelist` exemplificam alguns usos populares de cada item de refei\u00e7\u00e3o, juntamente com o campo `id` se referindo a um registro \u00fanico e oficialmente reconhec\u00edvel na base de conhecimento. Esses tr\u00eas campos constituem principalmente um objeto de entidade na KB. O texto no campo `cname` \u00e9 normalmente usado em respostas de conversas e o texto no campo `whitelist`, junto com o nome can\u00f4nico, servem como apelidos durante a elimina\u00e7\u00e3o da ambiguidade. Frequentemente, os melhores resultados de um solucionador de entidades s\u00e3o obtidos quando o campo `whitelist` \u00e9 preenchido com detalhes (p. ex., incluindo usos alternativos, erros ortogr\u00e1ficos, abrevia\u00e7\u00f5es etc.). Esse tipo de curadoria pode se tornar um processo tedioso em alguns aplicativos, mas \u00e9 inevit\u00e1vel ao lidar com entidades em um dom\u00ednio altamente especializado.<\/p>\n

Saiba mais sobre os solucionadores rec\u00e9m-adicionados<\/strong><\/h2>\n

Em outros solucionadores al\u00e9m da correspond\u00eancia exata, a primeira etapa \u00e9 obter uma representa\u00e7\u00e3o vetorial para o texto de entrada, que precisa ter a desambiguidade eliminada, e para todas as entradas na KB (cnames mais whitelists) que servem como apelidos para a desambigua\u00e7\u00e3o. Em seguida, usando alguma forma de correspond\u00eancia de similaridade de vetor (por exemplo, similaridade de cosseno), os apelidos s\u00e3o pontuados e classificados.<\/p>\n

Nas op\u00e7\u00f5es de resolu\u00e7\u00e3o de entidades rec\u00e9m-adicionadas, o solucionador baseado em TF-IDF seleciona uma variedade de recursos de n-gram (ou seja, recursos de texto de n\u00edvel superficial) antes de calcular semelhan\u00e7as de cosseno nos poucos vetores. Por outro lado, um solucionador baseado em incorporador pr\u00e9-treinado combina o uso da similaridade de cosseno em representa\u00e7\u00f5es vetoriais densas de texto.<\/p>\n

Aproveitar incorporadores pr\u00e9-treinados para resolu\u00e7\u00e3o de entidades tem algumas vantagens em rela\u00e7\u00e3o a outras abordagens. Por exemplo, eles oferecem compreens\u00e3o sem\u00e2ntica de texto sem ter que preencher extensivamente as listas de permiss\u00f5es (p. ex., `performed below expectations` \u00e9 equivalente a `poor performance`) e fornecer uma transi\u00e7\u00e3o f\u00e1cil para a correspond\u00eancia de entidades multil\u00edngues (p. ex., deduzir que `tercio` em espanhol \u00e9 a mesma coisa que `third` em ingl\u00eas). No entanto, as discrep\u00e2ncias entre o pr\u00e9-treinamento e a infer\u00eancia, como a diferen\u00e7a no comprimento dos textos de entrada, colocam os incorporadores pr\u00e9-treinados em desvantagem. Al\u00e9m disso, os tempos de infer\u00eancia de modelos incorporadores podem ser maiores do que outras op\u00e7\u00f5es de resolu\u00e7\u00e3o devido aos c\u00e1lculos de vetor denso subjacentes. No entanto, quando ajustados de forma adequada, os modelos incorporadores podem superar outras op\u00e7\u00f5es de solucionador com base principalmente em recursos de texto de n\u00edvel superficial.<\/p>\n

Na an\u00e1lise abaixo, os solucionadores baseados em incorporadores pr\u00e9-treinados s\u00e3o comparados com os solucionadores de entidades Elastic\u00a0Search e TF-IDF. Os conjuntos de dados selecionados para essa compara\u00e7\u00e3o envolvem a correspond\u00eancia de texto de n\u00edvel superficial, al\u00e9m da correspond\u00eancia sem\u00e2ntica.<\/p>\n

Desempenho em diferentes solucionadores<\/strong><\/h2>\n

Ap\u00f3s testar v\u00e1rios conjuntos de dados criados internamente, a seguir est\u00e3o os desempenhos m\u00e9dios de diferentes solucionadores de entidades para correspond\u00eancia de entidades de texto curto. A melhor pontua\u00e7\u00e3o de recupera\u00e7\u00e3o \u00e9 relatada como a medida de precis\u00e3o aqui:<\/p>\n

\"Desempenho


\n<\/a> Desempenho em diferentes solucionadores de entidades<\/p><\/div>\n

\u00a0<\/p>\n

As variantes BERT pr\u00e9-treinadas est\u00e3o dispon\u00edveis como parte dos modificadores de frase Huggingface,<\/a> e o gr\u00e1fico apresenta as pontua\u00e7\u00f5es apenas das 5\u00a0variantes com melhor desempenho. Modelos de incorpora\u00e7\u00e3o de palavras pr\u00e9-treinados, como fastText, geralmente t\u00eam desempenho pior do que modelos de incorpora\u00e7\u00e3o de BERT ou solucionadores baseados em TF-IDF. Esses baixos desempenhos podem ser atribu\u00eddos \u00e0 mudan\u00e7a de dom\u00ednio e \u00e0 falta de ajuste fino.<\/p>\n

Uma an\u00e1lise adicional usando diferentes configura\u00e7\u00f5es da variante BERT com melhor desempenho (\u2018distilbert-base-nli-stsb-mean-tokens\u2019<\/em>) obteve os seguintes resultados:<\/p>\n

\"Precis\u00e3o


\n<\/a> Desempenho de diferentes configura\u00e7\u00f5es durante o uso da variante BERT com melhor desempenho<\/p><\/div>\n

\u00a0<\/p>\n

Os resultados mostram que as pontua\u00e7\u00f5es de similaridade alternadas, como BERTScore<\/a>, n\u00e3o s\u00e3o concorrentes. Al\u00e9m disso, usar a similaridade de cosseno ao concatenar diferentes camadas do modelo BERT promove ganhos de desempenho correspondentes ao desempenho do Elastic\u00a0Search. Isso \u00e9 intuitivo, pois diferentes camadas BERT podem registrar informa\u00e7\u00f5es complementares. Mesmo ap\u00f3s a quantifica\u00e7\u00e3o<\/a> da variante BERT para menor consumo de mem\u00f3ria e menor complexidade de tempo, o desempenho cai apenas em 2-3%.<\/p>\n

Al\u00e9m disso, quando avaliado em rela\u00e7\u00e3o a dados com ru\u00eddo aleat\u00f3rio contendo erros de ortografia no registro, o solucionador baseado em TF-IDF supera os outros. Isso pode ser devido ao conjunto diversificado de n-grams registrado por esse solucionador. (Para este experimento, os textos da lista de permiss\u00f5es s\u00e3o reutilizados como inst\u00e2ncias de teste e os erros de ortografia s\u00e3o colocados nelas. Portanto, com 0% de ru\u00eddo, uma precis\u00e3o de 100% \u00e9 observada, pois todas as entidades de teste tamb\u00e9m est\u00e3o presentes nas listas de permiss\u00f5es!)<\/p>\n

\"Desempenho


\n<\/a> Desempenho na correspond\u00eancia de texto induzida por erros ortogr\u00e1ficos<\/p><\/div>\n

\u00a0<\/p>\n

Por fim, o gr\u00e1fico a seguir ilustra as diferen\u00e7as nas complexidades do tempo de infer\u00eancia entre as diferentes op\u00e7\u00f5es de solucionador:<\/p>\n


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

\u00a0<\/p>\n

(Da direita para a esquerda: mais preciso BERT, TF-IDF, Elastic\u00a0Search) Tempo de infer\u00eancia por entidade quando medido em bases de conhecimento de tamanhos diferentes. O eixo X mostra o tamanho da base de conhecimento, enquanto o eixo Y mostra o tempo por entidade em milissegundos. A parte em amarelo \u00e9 o tempo de infer\u00eancia para codificar o texto de entrada e em verde \u00e9 o tempo de infer\u00eancia para o c\u00e1lculo de similaridade.<\/p>\n

As complexidades de tempo do TF-IDF e Elastic\u00a0Search s\u00e3o bastante compar\u00e1veis, enquanto a melhor variante BERT, embora quantificada, \u00e9 20 vezes mais lenta. Isso melhora para uma desacelera\u00e7\u00e3o de 10x quando n\u00e3o concatenamos as 4\u00a0camadas superiores, mas leva a uma perda de precis\u00e3o.<\/p>\n

Escolhendo e configurando um solucionador de entidades<\/strong><\/h2>\n

As configura\u00e7\u00f5es do solucionador de entidades MindMeld consideram uma variedade de par\u00e2metros configur\u00e1veis \u200bcom base no solucionador usado. O snippet a seguir, quando colocado no `config.py` de um aplicativo, utiliza um modelo BERT pr\u00e9-treinado de sua escolha a partir do 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 \u2026<\/em><\/p>\n

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

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

Voc\u00ea pode usar outros modelos de incorporadores ao modificar o par\u00e2metro `embedder_type`:<\/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

Voc\u00ea tamb\u00e9m pode especificar configura\u00e7\u00f5es de tempo de execu\u00e7\u00e3o como `batch_size` ao usar um modelo incorporador, junto com configura\u00e7\u00f5es espec\u00edficas do modelo incorporador. Para carregar um solucionador baseado em TF-IDF, voc\u00ea pode fazer o seguinte:<\/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 \u2026<\/em><\/p>\n

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

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

Para cada objeto de entidade na KB, incorporadores especiais, que s\u00e3o o pool m\u00e9dio\/m\u00e1ximo de todos os incorporadores de apelidos, tamb\u00e9m s\u00e3o calculados e usados para resolu\u00e7\u00e3o, se configurados. Esses incorporadores especiais geralmente melhoram a precis\u00e3o dos solucionadores com apenas um ligeiro aumento no custo computacional. Para ver os detalhes completos e todas as configura\u00e7\u00f5es poss\u00edveis, consulte a se\u00e7\u00e3o `Configurations` na documenta\u00e7\u00e3o oficial<\/a>.<\/p>\n

Conclus\u00f5es e trabalho futuro<\/strong><\/h2>\n

No geral, o solucionador baseado no Elastic\u00a0Search \u00e9 recomendado, a menos que um cen\u00e1rio especial n\u00e3o permita sua utiliza\u00e7\u00e3o. Como alternativa, use solucionadores baseados em modelo incorporador quando houver um requisito para mais correspond\u00eancia sem\u00e2ntica, ou um solucionador baseado em TF-IDF se esse requisito n\u00e3o existir. O m\u00f3dulo ER no MindMeld ainda n\u00e3o oferece APIs para avaliar qual solucionador funciona melhor para o seu aplicativo. Fique ligado, pois planejamos adicionar esse suporte, junto com maneiras de ajustar os solucionadores baseados em modelos incorporadores.<\/p>\n

\u00a0<\/p>\n

Inscreva-se no Webex<\/a><\/p>\n

Acesse nossa p\u00e1gina inicial<\/a> ou entre em contato<\/a> direto conosco para obter assist\u00eancia.<\/p>\n


\n Clique aqui<\/a> para saber mais sobre as ofertas do Webex e para se inscrever em uma conta gr\u00e1tis.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Introdu\u00e7\u00e3o A resolu\u00e7\u00e3o de entidades (ER) \u00e9 o processo de desambigua\u00e7\u00e3o de uma entidade. \u00c9 alcan\u00e7ada mapeando uma men\u00e7\u00e3o textual […]<\/p>\n","protected":false},"author":5432,"featured_media":18905,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1534],"tags":[2463],"class_list":["post-20295","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-engineering-pt-br","tag-pstn-pt-br"],"acf":[],"yoast_head":"\nQuais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na 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\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na MindMeld? | Webex Blog\" \/>\n<meta property=\"og:description\" content=\"Introdu\u00e7\u00e3o A resolu\u00e7\u00e3o de entidades (ER) \u00e9 o processo de desambigua\u00e7\u00e3o de uma entidade. \u00c9 alcan\u00e7ada mapeando uma men\u00e7\u00e3o textual […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-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=\"2021-08-03T14:30:19+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=\"Est. tempo de leitura\" \/>\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\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/\"},\"author\":{\"name\":\"Sai Muralidhar Jayanthi\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/es\\\/#\\\/schema\\\/person\\\/227b41168c1cb424ed0954680e006343\"},\"headline\":\"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na MindMeld?\",\"datePublished\":\"2021-07-21T21:48:10+00:00\",\"dateModified\":\"2021-08-03T14:30:19+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/\"},\"wordCount\":1730,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/blog.webex.com\\\/wp-content\\\/uploads\\\/2021\\\/07\\\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"keywords\":[\"pstn\"],\"articleSection\":[\"Engineering\"],\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/\",\"url\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/\",\"name\":\"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na MindMeld? | Webex Blog\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/es\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-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\":\"2021-08-03T14:30:19+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/es\\\/#\\\/schema\\\/person\\\/227b41168c1cb424ed0954680e006343\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/#breadcrumb\"},\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/engineering\\\/whats-new-with-entity-resolution-in-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\\\/engineering\\\/whats-new-with-entity-resolution-in-mindmeld\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/blog.webex.com\\\/pt-br\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na 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\":\"pt-BR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/blog.webex.com\\\/es\\\/#\\\/schema\\\/person\\\/227b41168c1cb424ed0954680e006343\",\"name\":\"Sai Muralidhar Jayanthi\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@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\\\/pt-br\\\/contributors\\\/sjayanthi\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na 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\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/","og_locale":"pt_BR","og_type":"article","og_title":"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na MindMeld? | Webex Blog","og_description":"Introdu\u00e7\u00e3o A resolu\u00e7\u00e3o de entidades (ER) \u00e9 o processo de desambigua\u00e7\u00e3o de uma entidade. \u00c9 alcan\u00e7ada mapeando uma men\u00e7\u00e3o textual […]","og_url":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/","og_site_name":"Webex Blog","article_published_time":"2021-07-21T21:48:10+00:00","article_modified_time":"2021-08-03T14:30:19+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","Est. tempo de leitura":"9 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/#article","isPartOf":{"@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/"},"author":{"name":"Sai Muralidhar Jayanthi","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/227b41168c1cb424ed0954680e006343"},"headline":"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na MindMeld?","datePublished":"2021-07-21T21:48:10+00:00","dateModified":"2021-08-03T14:30:19+00:00","mainEntityOfPage":{"@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/"},"wordCount":1730,"commentCount":0,"image":{"@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","keywords":["pstn"],"articleSection":["Engineering"],"inLanguage":"pt-BR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/","url":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/","name":"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na MindMeld? | Webex Blog","isPartOf":{"@id":"https:\/\/blog.webex.com\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/#primaryimage"},"image":{"@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-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":"2021-08-03T14:30:19+00:00","author":{"@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/227b41168c1cb424ed0954680e006343"},"breadcrumb":{"@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/blog.webex.com\/engineering\/whats-new-with-entity-resolution-in-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\/engineering\/whats-new-with-entity-resolution-in-mindmeld\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blog.webex.com\/pt-br\/"},{"@type":"ListItem","position":2,"name":"Quais s\u00e3o as novidades com a resolu\u00e7\u00e3o de entidades na 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":"pt-BR"},{"@type":"Person","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/227b41168c1cb424ed0954680e006343","name":"Sai Muralidhar Jayanthi","image":{"@type":"ImageObject","inLanguage":"pt-BR","@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\/pt-br\/contributors\/sjayanthi\/"}]}},"_links":{"self":[{"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/posts\/20295","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/users\/5432"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/comments?post=20295"}],"version-history":[{"count":0,"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/posts\/20295\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/media\/18905"}],"wp:attachment":[{"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/media?parent=20295"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/categories?post=20295"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.webex.com\/pt-br\/wp-json\/wp\/v2\/tags?post=20295"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}