All Products
Search

This Product

    OpenSearch:Entity Recognition

    Document Center

    OpenSearch:Entity Recognition

    Last Updated:Jun 21, 2026

    Ikhtisar

    Entity Recognition, juga dikenal sebagai named entity recognition (NER), mengidentifikasi entitas semantik dalam kueri pencarian. Hasilnya kemudian digunakan oleh analisis kueri untuk menulis ulang kueri berdasarkan prioritas setiap jenis entitas, sehingga dokumen yang diambil sesuai dengan maksud pengguna. Saat ini, fitur Entity Recognition di OpenSearch hanya mendukung industri e-dagang. Jenis entitas utama adalah sebagai berikut:

    Kategori

    Kata umum

    Material

    Gaya

    Elemen gaya

    Warna

    Merek

    Fungsionalitas

    Ukuran/Spesifikasi

    Kualitas/Kondisi

    Skenario

    Orang

    Set

    Waktu/musim

    Model

    Rilis baru

    Seri

    Layanan pemasaran

    Lokasi/wilayah

    Nama orang

    Produk budaya

    Organisasi

    Judul film/TV

    Judul game

    Nomor

    Unit

    Kategori

    Kata baru

    Pengubah

    Kata benda khusus

    Pengubah kategori

    Simbol

    Awalan

    Akhiran

    Kado

    Negasi

    Agen

    Cara kerja entity recognition

    Dalam analisis kueri, Entity Recognition terutama digunakan untuk penulisan ulang kueri dan prediksi kategori.

    Penulisan ulang kueri

    Analisis kueri OpenSearch menghasilkan hingga dua kueri yang ditulis ulang. Kueri pertama lebih tepat, sedangkan kueri kedua menggunakan lebih sedikit istilah untuk memperluas cakupan pencarian—berguna ketika kueri pertama menghasilkan terlalu sedikit hasil.

    Penulisan ulang kueri didasarkan pada prioritas entitas. Selama pengambilan, istilah dari entitas berprioritas tinggi dipertahankan untuk recall, sedangkan istilah dari entitas berprioritas rendah tidak memengaruhi recall, melainkan hanya memengaruhi pengurutan algoritmik. Prioritas entitas dibagi menjadi tiga tingkat: tinggi, menengah, dan rendah.

    Aturan penulisan ulang kueri adalah sebagai berikut:

    1. Entitas berprioritas tinggi selalu disertakan dalam kondisi pengambilan.

    2. Entitas berprioritas rendah tidak pernah disertakan dalam kondisi pengambilan.

    3. Untuk entitas berprioritas menengah, tingkat keutamaannya menurun berdasarkan urutan yang dikonfigurasi dalam analisis kueri. Aturan penulisan ulangnya adalah sebagai berikut:

      1. Jika kueri berisi entitas berprioritas tinggi, sistem menyertakan entitas berprioritas menengah dalam kueri pertama yang ditulis ulang tetapi mengecualikannya dari kueri kedua.

      2. Jika kueri tidak berisi entitas berprioritas tinggi, sistem menyertakan entitas berprioritas menengah dalam kueri pertama yang ditulis ulang. Pada kueri kedua, hanya istilah dari jenis entitas berprioritas menengah tertinggi yang disertakan; semua lainnya dikecualikan.

    4. Jika kueri tidak berisi entitas berprioritas tinggi atau menengah, hasil Entity Recognition tidak digunakan untuk penulisan ulang kueri.

    5. Jika kueri hanya berisi entitas berprioritas tinggi, atau hanya entitas berprioritas tinggi dan rendah, sistem hanya menghasilkan satu kueri yang ditulis ulang.

    Contoh:

    Asumsikan prioritas entitas diatur sebagai berikut:

    Tinggi: Kategori
Menengah: Merek, Material, elemen gaya, Gaya, Warna

    1. Kueri dengan entitas berprioritas tinggi dan menengah:

    query=default:'Yang Mi same style Nike slim-fit dress free shipping'
Hasil Entity Recognition: Yang Mi (Nama orang) same style (Akhiran) Nike (Merek) slim-fit (elemen gaya) dress (Kategori) free shipping (Layanan pemasaran)
Kueri yang ditulis ulang:
Query1: (default:'Nike' AND default:'slim-fit' AND default:'dress' RANK default:'Yang Mi' RANK default:'free shipping' RANK default:'same style')
Query2: (default:'dress' RANK default:'Yang Mi' RANK default:'Nike' RANK default:'free shipping' RANK default:'same style' RANK default:'slim-fit')

    2. Kueri dengan entitas berprioritas tinggi dan rendah:

    query=default:'dress free shipping'
Hasil Entity Recognition: dress (Kategori) free shipping (Layanan pemasaran)
Kueri yang ditulis ulang:
Query1: (default:'dress' RANK default:'free shipping')

    3. Kueri hanya dengan entitas berprioritas tinggi:

    query=default:'dress'
Hasil Entity Recognition: dress (Kategori)
Kueri yang ditulis ulang:
Query1: (default:'dress')

    4. Kueri dengan entitas berprioritas menengah dan rendah:

    query=default:'Nike slim-fit free shipping'
Hasil Entity Recognition: Nike (Merek) slim-fit (elemen gaya) free shipping (Layanan pemasaran)
Kueri yang ditulis ulang:
Query1: (default:'Nike' AND default:'slim-fit' RANK default:'free shipping')
Query2: (default:'Nike' RANK default:'slim-fit' RANK default:'free shipping')

    5. Kueri hanya dengan entitas berprioritas rendah:

    query=default:'Yang Mi same style free shipping'
Hasil Entity Recognition: Yang Mi (Nama orang) same style (Akhiran) free shipping (Layanan pemasaran)
Tidak ada kueri yang ditulis ulang berdasarkan Entity Recognition.

    Penggunaan bersama prediksi kategori

    Jika kueri gagal menghasilkan prediksi kategori, sistem menghapus istilah yang relevansinya rendah terhadap kategori dan mencoba kembali melakukan prediksi. Proses ini secara signifikan meningkatkan akurasi prediksi kategori untuk kueri ekor panjang. Jenis entitas yang dipertahankan dalam proses ini meliputi:

    Kategori
Orang
waktu/musim
elemen gaya
Gaya

    Contoh:

    Untuk kueri Yang Mi (Nama orang) same style (Akhiran) spring (waktu/musim) slim-fit (elemen gaya) dress (Kategori), kueri setelah penghapusan istilah diprioritaskan sebagai berikut:

    spring slim-fit dress
spring dress
slim-fit dress
dress

    Sistem mencoba prediksi kategori dengan menggunakan kueri-kueri tersebut sesuai urutan yang ditentukan.

    Prosedur

    1. Di Konsol OpenSearch, buka retrieval configuration di panel navigasi sebelah kiri, lalu klik query analysis configuration. Pilih nama aplikasi dan jenis aplikasi (online/offline), lalu klik Create.

    2. Masukkan nama aturan, pilih rentang indeks, atur Industry Type menjadi Enhanced Query Analysis for E-commerce, pilih Entity Recognition sebagai fitur, lalu klik OK.

    Secara default, prioritas entitas adalah: Tinggi (Merek, Kategori), Menengah (Material, elemen gaya, Gaya, Warna, fungsionalitas, Skenario, Orang, waktu/musim, Model, lokasi/wilayah, Nama orang, Pengubah, pengubah kategori), dan Rendah (Ukuran/Spesifikasi, Kualitas/Kondisi, Set, Rilis baru, Seri, Layanan pemasaran, Produk budaya, Organisasi). Anda dapat menyesuaikan jenis entitas di setiap tingkat. Catatan: Saat Anda menyesuaikan prioritas entitas, sistem menggunakan kamus bawaannya. Jika sistem salah mengidentifikasi entitas, Anda dapat menggunakan kamus intervensi untuk mengoreksi hasilnya.

    3. Setelah aturan dibuat, Anda dapat menguji performa pencariannya.

    Di daftar konfigurasi analisis kueri, temukan aturan yang dituju, lalu klik Search Test di kolom Tindakan. Di halaman uji pencarian, masukkan kueri (misalnya, query=title:'Chinese style summer hanfu silk mulberry silk modified version cheongsam dress'), pilih nama aturan analisis kueri Anda (misalnya, test_entity) untuk parameter qp, lalu klik Search. Di bagian bawah halaman, bagian Actual Query Executed by System menunjukkan bagaimana kueri ditulis ulang menjadi beberapa kondisi AND untuk bidang title, seperti (title:'Chinese' AND title:'style' AND title:'summer' AND title:'hanfu' AND title:'silk' AND title:'mulberry' AND title:'silk' AND title:'modified' AND title:'version' AND title:'cheongsam' AND title:'dress'). Anda dapat mengklik View query analysis details untuk melihat analisis terperinci. Dalam uji pencarian, jendela pop-up Query analysis details menampilkan kueri yang ditulis ulang (ekspresi pencarian boolean), kueri asli, dan nama indeks. Jendela ini juga mencantumkan hasil pemrosesan dari berbagai fitur dalam bentuk tabel, termasuk output spesifik dari normalization, Tokenisasi, dan Entity Recognition, serta menyediakan tautan konfigurasi untuk koreksi ejaan, stop word, sinonim, dan prediksi kategori. Di bagian bawah, terdapat tautan berlabel Incorrect query analysis? Go to intervene yang memungkinkan Anda menuju kamus intervensi untuk melakukan koreksi.

    4. Setelah proses debugging selesai dan aturan berfungsi sesuai harapan, buka halaman analisis kueri dan beralih ke tab "Index View". Temukan aturan Anda dan klik Set as Default di kolom Tindakan untuk menjadikannya aturan default.

    5. Setelah Anda menetapkan aturan analisis kueri kustom sebagai default, antarmuka pengguna diperbarui sebagai berikut:

    Tag [Default] ditambahkan ke nama aturan, misalnya, [Default] test_entity.

    Kamus intervensi Entity Recognition

    Karena makna suatu istilah dapat berbeda tergantung skenario bisnis, OpenSearch menyediakan kamus intervensi untuk Entity Recognition agar Anda dapat menyesuaikan makna entitas. Anda dapat melakukan intervensi dengan dua cara utama: mengoreksi langsung hasil Entity Recognition atau menyesuaikan prioritas entitas. Jika Entity Recognition tidak akurat, gunakan kamus intervensi untuk melakukan koreksi. Membuat dan mengaitkan kamus intervensi dengan aturan analisis kueri Anda memungkinkan Anda mengganti perilaku default fitur Entity Recognition. Untuk detail tentang cara mengonfigurasi dan menggunakan kamus intervensi, lihat Kamus Intervensi.