Trích xuất thực thể

Tìm và phân loại các tên thực thể trong đoạn văn tiếng Việt — người, tổ chức, nơi chốn, ngày, tiền tệ, điều luật, CMND/CCCD, số điện thoại VN. Trang này tập trung vào giao diện trích xuất; xem nlp.md cho thư viện đầy đủ (NER + cảm xúc + nhận diện ngôn ngữ).

TL;DR — gợi ý của chúng tôi

Hai bộ thực thể, chọn theo nhu cầu:

Bộ	Bao gồm	Khi nào chọn
Chuẩn (mặc định)	PER, ORG, LOC, DATE, MONEY	Hồ sơ doanh nghiệp, tin tức, hồ sơ y tế
Pháp lý	Chuẩn + LAW_REF, ID_VN, PHONE_VN	Hợp đồng, công văn, đơn từ pháp lý

Backend mặc định: regex (nhanh, deterministic, không cần model). Cần độ chính xác cao hơn, đổi sang HF model qua plugin doanh nghiệp.

Trạng thái thật (2026-05-03): v0 mới chỉ ship phần biểu thức chính quy. Bộ kiểm thử xác minh đúng các mẫu do chính chúng tôi viết — đây là kiểm tra cấu trúc, không phải số đo học từ dữ liệu. Hướng tinh chỉnh PhoBERT cho LAW_REF + CONTRACT_PARTY (mục tiêu F1 ≥ 0,85) cần ~70-90 giờ chú thích thủ công và xếp lịch sau theo docs/sota_vn_2026q2_expansion.md. Đến lúc đó, biểu thức chính quy bắt được hầu hết hợp đồng VN hiện đại nhưng sẽ bỏ sót các mẫu không chuẩn.

Cách dùng

Trong giao diện web

Mở Trích xuất thực thể ở thanh điều hướng bên trái. Dán đoạn văn hoặc bấm một trong các nút mẫu (HOÁ ĐƠN, HỢP ĐỒNG PHÁP LÝ, HỢP ĐỒNG + LUẬT SỐ). Chọn Bộ thực thể ở cột phải:

• Chuẩn — PER / ORG / LOC / DATE / MONEY.
• Pháp lý — Chuẩn cộng LAW_REF (luật, điều, khoản), ID_VN (CMND / CCCD), và PHONE_VN.

Bấm Trích.

Kết quả hiển thị mỗi span tô màu theo loại, kèm vị trí ký tự (start, end) và độ tin cậy.

Gọi trực tiếp qua API HTTP

curl -X POST http://localhost:8080/api/tools/nlp/ner \
  -H "Content-Type: application/json" \
  -d '{
        "text": "Theo Nghị định 13/2023/NĐ-CP, ông Nguyễn Văn A (CMND 012345678901) chuyển 1.500.000 VND ngày 02/05/2026.",
        "preset": "legal"
      }'

Trả về:

{
  "spans": [
    {"label": "LAW_REF", "text": "Nghị định 13/2023/NĐ-CP", "start": 5, "end": 28},
    {"label": "PER",     "text": "Nguyễn Văn A",            "start": 33, "end": 45},
    {"label": "ID_VN",   "text": "012345678901",            "start": 52, "end": 64},
    {"label": "MONEY",   "text": "1.500.000 VND",           "start": 75, "end": 88},
    {"label": "DATE",    "text": "02/05/2026",              "start": 95, "end": 105}
  ]
}

Bộ pháp lý — chi tiết

Ba lớp thực thể bổ sung được thêm vì thực tế hợp đồng VN cần chúng:

LAW_REF

Phát hiện tham chiếu pháp luật theo mẫu: <Loại> <số>/<năm>/<cơ quan>.

Mẫu	Bắt được	Bỏ qua
Luật 134/2025/QH15	✓
Nghị định 13/2023/NĐ-CP	✓
Thông tư 02/2024/TT-BTTTT	✓
Điều 8 Luật 134/2025	✓ (gộp một LAW_REF)
Điều 8 (không có số luật)		✗ — bỏ qua, ngữ cảnh không đủ

ID_VN

CMND 9 chữ số, CCCD 12 chữ số. Lọc bằng độ dài + checksum khi áp dụng được:

Đầu vào	Phát hiện
CMND: 012345678	✓ ID_VN
CCCD 012345678901	✓ ID_VN
024089001234 (12 chữ số đầu)	✓ ID_VN
01234567 (8 chữ số)	✗ — không khớp độ dài

PHONE_VN

Số điện thoại VN — di động 10 chữ số bắt đầu bằng 03/05/07/08/09, hoặc đầu số quốc gia +84:

Đầu vào	Phát hiện
0987654321	✓ PHONE_VN
+84 987 654 321	✓ PHONE_VN
0241234567 (cố định Hà Nội)	✓ PHONE_VN
1234567890	✗ — không khớp đầu số VN

Cách hoạt động

nom.nlp.ner dùng RegexNERModel ở v0:

1. Chạy regex song song cho mỗi loại thực thể.
2. Khử chồng lấn — nếu hai span chồng nhau, chọn loại có thứ tự ưu tiên cao hơn (LAW_REF > ORG > MONEY > DATE > PHONE_VN > ID_VN

   PER > LOC).

3. Trả về danh sách NERSpan(label, text, start, end, confidence).

Không dùng model trong v0 — nhanh (~5 ms/đoạn), deterministic, không cần GPU. Thiếu sót: không bắt được PER (tên người) tốt vì regex tên VN khó. Khi cần PER chính xác, đổi sang HFNERModel(model_id="vinai/phobert-large-finetune-vi-ner") — xem nlp.md.

Giới hạn đã biết

• PER kém. Regex không phân biệt "Nguyễn Văn A" (tên) với "Nguyễn Du" (tên người mất từ thế kỷ 18 đang được trích trong văn bản pháp lý). Cần PhoBERT-NER cho production.
• LAW_REF chỉ bắt mẫu chuẩn. Tham chiếu pháp luật có cấu trúc bất thường (viết tắt, gộp số) có thể bị bỏ sót. Bao phủ ~85 % công văn VN hiện đại.
• ID_VN không xác minh mã kiểm tra CCCD. Có thể có dương tính giả với chuỗi 12 chữ số ngẫu nhiên. Hợp lý cho khai phá văn bản; khi cần xác minh chính thức phải dùng API VNeID.
• PHONE_VN bỏ qua đầu số quốc tế ngoài VN. Chỉ tập trung +84.

Tích hợp với tác vụ khác

Pipeline	NER ở đâu
Hợp đồng → bảng tóm tắt	OCR → NER pháp lý → Tóm tắt với ngữ cảnh thực thể
Đơn từ y tế	OCR → NER chuẩn (PER + DATE) → Phân loại rủi ro
Nhật ký kiểm toán nội bộ	Chat → NER chuẩn (PER + ORG + DATE) → Lưu vào space

Liên quan

• nlp.md — toàn bộ thư viện NLP (NER + cảm xúc + nhận diện ngôn ngữ) + cách gắn HF model qua plugin.
• Phân loại rủi ro — pipeline xuôi dòng dùng NER.
• Tóm tắt — gợi ý thực thể quan trọng cho prompt.