這篇名聽起來很厲害，其實內容就普通，但還是可以看看我要介紹的這些技術。

先來理解一個小概念，自然語言處理(Natural Language Processing)：

結合了計算機科學、AI及語言學的技術，讓計算機能夠理解、解釋和生成人類語言，核心技術包含語言模型、情感分析等等，其中「命名實體識別(NER)」這項技術能夠對應到我的主題 🧙🏻，簡單來說，它能夠自動在文本中檢測並標註特定類型的數據(姓名、地址、身份證號碼等)，原理是通過訓練ML模型，識別出某些關鍵詞或模式，並將它們與特定的類型(“人名”,“地點”,“組織”,“身份證號碼”)相對應。

但如果是具「隱含意義」或「拼寫錯誤」的數據，還得靠他們的輔助：

語義分析(Semantic Analysis) 🐞：
幫助模型理解隱含寓意，與語法分析不同，它重視句子的深層含義，而非表面句構。
Ex：他前天去便利商店買東西，他的住址在附近。
模型能推測出“住址”這個訊息隱含在“他住便利商店附近”中(就算沒有直接提到具體的地址)。

實體關係抽取(Relation Extraction) 🦑：
從非結構化的句式中自動識別並識別實體之間的語義關係，通常會在文本中先確定實體後(NER先處理) 才分析。
流程Ex：
－ 實體識別（NER）：從「Steve Jobs是蘋果公司的創辦人」這句話中識別出兩個實體：「Steve Jobs」(人名）和「蘋果公司」(組織)。
－ 關係識別：「Steve Jobs」和「蘋果公司」之間的關係可以被標註為「創辦者」（founder- of）。

Transformer 架構 🗼：
深度學習架構，用於處理序列數據，使用自注意力機制(self-attention)，可同時考慮句式中所有單詞的關聯性。與 LSTM 不同，Transformer架構不需要逐字處理序列，而是並行處理，因此在大多數 NLP 任務中更有效，最著名的應用包括 BERT 和 GPT 等模型。

• Ex：雖然Michael沒去過亞洲，但他一直對中國文化深感興趣，尤其是其歷史。他在小時候讀了很多關於古中國的書，這讓他產生了去探訪長城的強烈願望。
  (Transformer 可以同時捕捉“Michael”與“中國文化”之間的關係，並了解“長城”是中國文化的一部分，這是 Michael 夢想去到的地方。)

模糊匹配技術（Fuzzy Matching）🛟：
用於識別與原始數據相似數據。這種技術通常用於搜索引擎、拼寫的自動糾正或名稱匹配中，允許一定程度誤差，例如拼寫錯誤、縮寫等，並找到與預期結果足夠接近的目標。

• Ex：Jonh Smith 在XXX公司工作，工號：1235A。
  （模糊匹配技術可以推斷出“Jonh”是“John”的變體，仍能夠識別和標註為人名）

字符級別模型（Character-level Models）📮：
在處理單詞或短語前，先分析單字符的序列，因此，它在處理拼寫錯誤、變形或創意拼寫時比“詞”級別模型更加靈活。

• Ex：J0hn D03
  （字符級別模型可以識別出 “J0hn D03” 是 “John Doe” 的變形形式）