---
title: "Pengekstrakan entiti bernama Arab dengan LLM ke JSON"
description: "Ekstrak nama, organisasi, tempat dan tarikh Hijrah dalam teks Arab ke JSON dengan LLM: prompt, semakan rentang tanpa diakritik, penukaran tarikh dan skrip skor."
url: https://broadrouter.com/ms/blog/arabic-named-entity-extraction-llm/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/arabic-named-entity-extraction-llm/) (dikemas kini 2026-11-15).

# Pengekstrakan entiti bernama bahasa Arab dengan LLM: JSON dan tarikh

Oleh pasukan BroadNet Inference · 7 minit bacaan · Diterbitkan 2026-11-15

Minta model menyalin setiap entiti tepat seperti yang ditulis, dengan jenis daripada senarai tetap, sebagai JSON. Semak setiap entiti dalam kod: ia mesti wujud dalam sumber selepas diakritik dibuang dan bentuk alef diseragamkan. Tukar tarikh Hijrah dengan pustaka seperti hijridate, bukan dengan model. Skor sampel berlabel tangan dengan precision, recall dan F1 peringkat entiti.

## Perkara utama

-   Dalam LAraBench (EACL 2024), GPT-4 zero-shot mencatat 0.355 macro-F1 pada penandaan token ANERcorp berbanding 0.886 bagi sistem yang ditala halus; 10-shot menaikkannya kepada 0.451.
-   Mengekstrak senarai JSON entiti yang pendek ialah tugas berbeza daripada menanda setiap token. Uji bingkai tugas yang akan anda lancarkan, pada teks anda sendiri.
-   Padankan entiti selepas membuang tashkeel dan tatweel serta menyeragamkan bentuk alef, jika tidak nama yang disalin dengan betul oleh model akan kelihatan seperti halusinasi.
-   Biar model membaca tarikh; biar kod menukarnya. hijridate meliputi tarikh Umm al-Qura dari 1343 hingga 1500 H (1924 hingga 2077 M).
-   Set NER bahasa Arab awam wujud untuk berita (ANERcorp), Wikipedia (AQMAR), MSA serta dialek (Wojood) dan bahasa Arab Klasik (CANERCorpus). Labelnya jarang sepadan dengan label anda.

**Dalam halaman ini**

1.  Sejauh manakah prestasi LLM dalam NER bahasa Arab?
2.  Set data NER bahasa Arab apakah yang wujud?
3.  Apakah yang patut diminta oleh prompt?
4.  Bagaimanakah menyemak entiti dengan sumber?
5.  Bagaimanakah mengendalikan tarikh Hijrah?
6.  Bagaimana pula dengan nama dalam Arabizi dan teks bercampur?
7.  Bagaimanakah memberi skor kepada pengekstrak?
8.  Model BroadNet manakah yang patut digunakan?
9.  Di manakah BroadNet Inference sesuai

Pengekstrakan entiti bernama menukar satu perenggan kepada rekod yang boleh digunakan oleh kod anda: siapa, organisasi mana, di mana dan bila. Bahasa Arab menambah empat masalah yang jarang ditemui saluran bahasa Inggeris: diakritik pilihan, beberapa ejaan bagi huruf yang sama, nama yang ditulis dalam huruf Rumi ([Arabizi](https://broadrouter.com/ms/glossary/arabizi/)), dan tarikh dalam dua kalendar. Artikel ini membina langkah pengekstrakan pada LLM yang serasi OpenAI yang mengendalikan setiap satu dalam kod, serta skrip pemarkahan untuk memberitahu sama ada ia berfungsi pada teks anda.

Untuk mengelaskan keseluruhan mesej dan bukan mengeluarkan rentang daripadanya, lihat [pengelasan teks bahasa Arab](https://broadrouter.com/ms/blog/arabic-text-classification-llm/). Untuk pilihan permintaan JSON itu sendiri, lihat [mod JSON vs json\_schema](https://broadrouter.com/ms/blog/structured-output-json-schema/).

## Sejauh manakah prestasi LLM dalam NER bahasa Arab?

Pengukuran awam paling relevan yang kami temui ialah LAraBench (Abdelali et al., EACL 2024), yang menjalankan GPT-3.5 dan GPT-4 pada set NER bahasa Arab sebagai penandaan token demi token. Macro-F1, lebih tinggi lebih baik:

| Set data | GPT-3.5 zero-shot | GPT-4 zero-shot | GPT-4 3-shot | Sistem ditala halus yang dipetik |
| --- | --- | --- | --- | --- |
| ANERcorp (berita) | 0.210 | 0.355 | 0.420 | 0.886 |
| AQMAR (Wikipedia) | 0.230 | 0.365 | 0.390 | 0.690 |
| QASR (transkrip) | 0.208 | 0.504 | n/a | 0.698 |

Lebih banyak contoh membantu: GPT-4 pada ANERcorp naik daripada 0.355 tanpa contoh kepada 0.451 dengan sepuluh. Para pengarang juga terpaksa memetakan semula tag yang ditulis model dalam formatnya sendiri, seperti PER-B untuk B-PER.

Baca ini dengan berhati-hati. Ini model 2023 yang melakukan tugas penandaan ketat pada set label penanda aras. Model semasa yang diminta senarai pendek orang dan syarikat dalam tiket sokongan mungkin jauh lebih baik, atau tidak. Jadual ini memberitahu dua perkara yang masih benar: LLM tidak semestinya sistem NER yang baik, dan anda perlukan pengukuran sendiri.

## Set data NER bahasa Arab apakah yang wujud?

| Set data | Teks | Saiz dan label |
| --- | --- | --- |
| [ANERcorp](https://camel.abudhabi.nyu.edu/anercorp/) | Berita | Kira-kira 150,000 token; orang, lokasi, organisasi, pelbagai. CAMeL Lab menerbitkan pecahan train/test piawai |
| [CLEANANERCorp](https://aclanthology.org/2024.osact-1.2/) | ANERcorp, dibetulkan | Membetulkan ralat anotasi, label yang hilang dan ketidakkonsistenan dalam versi asal |
| [AQMAR](https://www.cs.cmu.edu/~ark/ArabicNER/) | Wikipedia bahasa Arab | 74,000 token daripada 28 artikel |
| [Wojood](https://aclanthology.org/2022.lrec-1.387/) | MSA dan dialek | Kira-kira 550,000 token, 21 jenis entiti, bersarang; digunakan dalam tugas bersama WojoodNER 2023 |
| [CANERCorpus](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus) | Hadis bahasa Arab Klasik | Lebih 7,000 hadis, 20 jenis bertopik Islam |

Gunakannya untuk semakan kewarasan prompt, bukan sebagai ujian penerimaan anda. Jenis entiti anda (pelanggan, produk, cawangan, nombor kontrak) berbeza daripada mereka, dan lesennya juga berbeza. Semak setiap satu sebelum penggunaan komersial.

## Apakah yang patut diminta oleh prompt?

Tiga peraturan menjadikan output boleh disemak:

1.  **Salin rentang dengan tepat.** Tiada terjemahan, tiada transliterasi, tiada “melengkapkan” nama pertama menjadi nama penuh. Jika anda perlukan ejaan bahasa Inggeris, minta dalam medan berasingan dan anggap ia belum disahkan.
2.  **Senarai jenis tertutup.** PERSON, ORG, LOCATION, DATE, atau set anda sendiri. Jenis bebas tidak boleh diskor.
3.  **Tarikh sebagai bahagian, bukan penukaran.** Minta tahun, bulan dan hari seperti yang ditulis, berserta kalendar. هـ di hujung menandakan tarikh Hijrah; م menandakan Masihi.

Tulis arahan dalam bahasa Inggeris atau Arab; [kejuruteraan prompt bahasa Arab](https://broadrouter.com/ms/blog/arabic-prompt-engineering/) membincangkan pertukarannya. Letakkan bentuk JSON dalam prompt sistem dan kekalkannya sama merentas permintaan supaya ia boleh di-[cache](https://broadrouter.com/ms/glossary/cached-input-tokens/).

## Bagaimanakah menyemak entiti dengan sumber?

Model mungkin memulangkan nama yang tidak pernah disebut dalam teks, atau menyalin nama dengan betul tetapi tanpa diakritiknya. Ujian subrentetan biasa tidak dapat membezakan kedua-duanya. Normalkan kedua-dua pihak dahulu: buang tashkeel dan tatweel, seragamkan bentuk alef, dan cantumkan عبد ال supaya عبد الله sepadan dengan عبدالله. Peraturannya sama seperti dalam [normalisasi teks bahasa Arab untuk carian](https://broadrouter.com/ms/blog/arabic-text-normalization-search/), digunakan untuk padanan sahaja. Simpan rentang asal untuk paparan.

```python
import json, os, re
from hijridate import Hijri
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

TYPES = {"PERSON", "ORG", "LOCATION", "DATE"}
SYSTEM = """Extract named entities from the Arabic text. Reply with JSON only:
{"entities": [{"text": "...", "type": "PERSON|ORG|LOCATION|DATE"}],
 "dates": [{"text": "...", "calendar": "hijri|gregorian", "year": 0, "month": 0, "day": 0}]}
Rules: copy "text" exactly as it appears in the input, including any diacritics.
Do not translate, transliterate or complete names. A date followed by هـ is Hijri.
If there are no entities, return empty lists."""

DIACRITICS = re.compile(r"[ً-ٰٟـ]")   # tashkeel, dagger alef, tatweel
def norm(s: str) -> str:
    s = DIACRITICS.sub("", s)
    s = re.sub("[إأآٱ]", "ا", s).replace("ى", "ي").replace("عبد ال", "عبدال")
    return " ".join(s.split())

def validate(source: str, data: dict) -> tuple[list, list]:
    """Keep entities that really occur in the source; report everything else."""
    src, kept, problems = norm(source), [], []
    for e in data.get("entities", []):
        if e.get("type") not in TYPES:
            problems.append(f"unknown type: {e}")
        elif norm(e.get("text", "")) not in src:
            problems.append(f"not in source: {e['text']}")
        else:
            kept.append(e)
    for d in data.get("dates", []):
        if d.get("calendar") == "hijri":
            try:
                d["iso"] = Hijri(d["year"], d["month"], d["day"]).to_gregorian().isoformat()
            except (ValueError, OverflowError) as err:
                problems.append(f"bad Hijri date {d['text']}: {err}")
    return kept, problems

def extract(text: str, model="broadnet/qwen3.8-27b") -> dict:
    r = client.chat.completions.create(
        model=model, max_tokens=2000,
        messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
    data = json.loads(r.choices[0].message.content)
    data["entities"], data["problems"] = validate(text, data)
    return data

text = "التقى خالِد بن سَعِيد مديرةَ شركة النخيل للتقنية في جدة يوم ١٥ جمادى الآخرة ١٤٤٥هـ."
print(json.dumps(extract(text), ensure_ascii=False, indent=1))
```

Kami menjalankannya pada pelayan olok-olok tempatan (tiada panggilan API langsung) yang jawapan sediaannya menambah seorang individu rekaan dan satu tarikh mustahil (bulan 13). Output mengekalkan خالد بن سعيد (jawapan itu membuang diakritik; padanan ternormal masih menemuinya), شركة النخيل للتقنية dan جدة. Ia menukar ١٥ جمادى الآخرة ١٤٤٥هـ kepada 2023-12-28, dan menyenaraikan dua masalah: nama rekaan itu “not in source”, dan bulan 13 menimbulkan “month must be in 1-12”. Nama dan syarikat itu rekaan.

Nota tentang kod:

-   **`max_tokens=2000`** memberi ruang untuk penaakulan. Dokumentasi BroadNet menyatakan DeepSeek V4.1 Flash, GLM 5.3 dan Qwen3.8 27B membuat penaakulan sebelum menjawab, dan penaakulan itu dikira dalam `max_tokens`. Lihat [respons kosong daripada model penaakulan](https://broadrouter.com/ms/guides/reasoning-tokens-empty-response/).
-   **`json.loads` boleh gagal.** Balutnya, dan apabila gagal, hantar semula sekali dengan ralatnya, seperti dalam [gelung pembaikan](https://broadrouter.com/ms/blog/structured-output-json-schema/). Pada GLM 5.3 dan Qwen3.8 27B, yang didokumenkan BroadNet dengan output berstruktur, tambah juga skema `response_format`. Pengesahan tetap diperlukan dalam kedua-dua keadaan.
-   **Padanan subrentetan sengaja longgar.** Ia mengesahkan rentang itu wujud; ia tidak mengesahkan jenisnya. Jenis ialah apa yang diukur oleh langkah pemarkahan di bawah.

## Bagaimanakah mengendalikan tarikh Hijrah?

Teks Arab menulis tarikh dalam banyak cara: ١٥/٦/١٤٤٥هـ, ١٥ جمادى الآخرة ١٤٤٥, atau tarikh Masihi dengan nama bulan yang berbeza mengikut wilayah (نوفمبر di Mesir dan Teluk, تشرين الثاني di Levant). Model biasanya boleh memecahkannya kepada bahagian, dan kod menyemak bahagian itu. Menukar antara kalendar ialah aritmetik pada jadual yang diterbitkan, dan model tiada sebab untuk mendapatkannya dengan betul.

[hijridate](https://pypi.org/project/hijridate/), dahulunya hijri-converter, menukar menggunakan kalendar Umm al-Qura. Julat yang didokumenkannya ialah 1343 hingga 1500 H (1 Ogos 1924 hingga 16 November 2077 M). Di luar julat ia menimbulkan OverflowError; bulan atau hari yang tidak sah menimbulkan ValueError, sebab itu kod menangkap kedua-duanya. Dokumentasinya menyatakan ia tidak bertujuan untuk kegunaan keagamaan yang mengutamakan rukyah anak bulan, jadi tarikh yang ditetapkan melalui rukyah boleh berbeza daripada nilai yang ditukar. Simpan tarikh seperti yang ditulis di sebelah tarikh yang ditukar.

Digit Arab Timur tidak memerlukan pengendalian khas di sini: model memulangkan integer. Jika anda menghurai tarikh sendiri, petakan ٠١٢٣٤٥٦٧٨٩ (dan ۰–۹ Parsi) kepada 0–9 dahulu.

## Bagaimana pula dengan nama dalam Arabizi dan teks bercampur?

Mesej pelanggan sering menulis nama dalam huruf Rumi: “ana 7a2ool la Mo7ammad bokra”. Peraturan rentang tepat masih berfungsi: teks entitinya ialah “Mo7ammad”, dan semakan subrentetan lulus. Yang gagal ialah memadankan rekod itu dengan محمد dalam CRM anda. Lakukannya dalam langkah kedua: tukar rentang itu kepada skrip Arab, seperti dalam [mengendalikan Arabizi](https://broadrouter.com/ms/blog/arabizi-llm-handling/), kemudian padankan dengan rekod anda menggunakan normalisasi yang sama. Simpan bendera keyakinan pada mana-mana rekod yang melalui penukaran.

Perkara yang sama terpakai pada nama syarikat Inggeris dalam ayat Arab, dan ejaan Rumi bagi nama Arab (Mohammed, Muhammad, Mohamed). Jangan minta langkah pengekstrakan memilih satu ejaan.

## Bagaimanakah memberi skor kepada pengekstrak?

Labelkan 100 hingga 200 sampel sebenar dengan tangan, menggunakan senarai jenis yang sama. Kemudian bandingkan ramalan dengan padanan tepat peringkat entiti pada teks ternormal dan jenis, dan laporkan precision, recall dan F1 bagi setiap jenis:

```python
from collections import Counter

def score(gold: list[list[dict]], pred: list[list[dict]]) -> dict:
    """Entity-level exact match on (normalised text, type), micro-averaged, plus per type."""
    tp, fp, fn = Counter(), Counter(), Counter()
    for g, p in zip(gold, pred):
        G = Counter((norm(e["text"]), e["type"]) for e in g)
        P = Counter((norm(e["text"]), e["type"]) for e in p)
        for (t, ty), n in (G | P).items():
            hit = min(G[(t, ty)], P[(t, ty)])
            tp[ty] += hit; fp[ty] += P[(t, ty)] - hit; fn[ty] += G[(t, ty)] - hit
    def prf(a, b, c):
        p = a / (a + b) if a + b else 0.0
        r = a / (a + c) if a + c else 0.0
        return {"p": round(p, 3), "r": round(r, 3), "f1": round(2 * p * r / (p + r), 3) if p + r else 0.0}
    out = {ty: prf(tp[ty], fp[ty], fn[ty]) for ty in sorted(tp | fp | fn)}
    out["micro"] = prf(sum(tp.values()), sum(fp.values()), sum(fn.values()))
    return out
```

Pada set mainan dua ayat (tiga entiti emas; ramalan melabel جدة sebagai ORG dan bukan LOCATION serta menambah satu tempat lagi), ia mencetak micro precision 0.5, recall 0.667 dan F1 0.571, dan LOCATION F1 0. Paparan mengikut jenis menunjukkan di mana usaha patut ditumpukan: skor ORG yang lemah biasanya bermaksud definisi jenis anda memerlukan contoh, bukan model yang lebih besar.

Tentukan lebih awal apa yang dikira sebagai padanan. Padanan tepat adalah ketat: “شركة النخيل” berbanding emas “شركة النخيل للتقنية” diskor sebagai satu positif palsu dan satu negatif palsu. Jika rentang separa boleh diterima untuk kegunaan anda, laporkan skor kedua berasaskan pertindihan, tetapi kekalkan skor ketat sebagai angka utama.

## Model BroadNet manakah yang patut digunakan?

Semua harga adalah setiap 1M token, daripada halaman harga BroadNet.

| Model | Sebab | Input / output |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) | Output berstruktur didokumenkan; BroadNet melaporkan ia diuji dalam bahasa Arab, termasuk pemahaman dialek Teluk dan Mesir; boleh membaca imej | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/ms/models/glm-5.3/) | Output berstruktur didokumenkan; konteks 1,048,576 token untuk dokumen yang sangat panjang | $0.78 / $3.46 |
| [Gemma 4 VL 26B](https://broadrouter.com/ms/models/gemma-4-vl-26b/) | Berjalan dengan kredit permulaan $5; tiada output berstruktur didokumenkan, jadi sahkan JSON yang dihasilkan melalui prompt sahaja; konteks 32,768 token | $0.10 / $0.22 |

Jalankan skrip pemarkahan pada sampel anda dengan setiap calon dan pilih berdasarkan F1 setiap jenis dan kos, bukan huraian vendor. Bahasa Arab biasanya memerlukan lebih banyak token daripada bahasa Inggeris untuk kandungan yang sama; [token setiap perkataan dalam bahasa Arab](https://broadrouter.com/ms/blog/tokens-per-word-arabic-english/) mempunyai nisbah yang diukur. Untuk entiti dalam borang atau foto yang diimbas, ekstrak terus daripada imej, seperti dalam [membaca invois bahasa Arab dengan vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/).

## Di manakah BroadNet Inference sesuai

BroadRouter ialah laman web BroadNet sendiri. BroadNet Inference memberi anda akses serasi OpenAI kepada model di atas dengan satu kunci, jadi kod berjalan dengan [OpenAI Python SDK](https://broadrouter.com/ms/guides/openai-python-sdk/) selepas menukar base URL. Dokumentasinya menyatakan prompt dan jawapan tidak disimpan selepas permintaan, yang penting apabila teks penuh dengan nama orang. Ia tiada endpoint NER khusus dan tidak menerbitkan penanda aras NER bahasa Arab sendiri, jadi ukur pada data anda. Jika anda perlukan penanda yang dihoskan sendiri untuk volum tinggi, model yang ditala halus pada Wojood atau label anda sendiri mungkin lebih murah dan lebih konsisten daripada mana-mana LLM; jurang yang diterbitkan di atas ialah sebab untuk menyemaknya.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Token](https://broadrouter.com/ms/glossary/token/)

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Pengecaman entiti bernama (NER)](https://broadrouter.com/ms/glossary/named-entity-recognition/)

Pengecaman entiti bernama (NER) ialah tugas mencari nama dalam teks dan melabel setiap satu dengan jenisnya, seperti orang, organisasi atau lokasi. Sistem klasik menanda setiap token; LLM pula sering diminta memulangkan senarai entiti sebagai JSON, yang kemudian disemak dengan teks sumber.

[Arabizi](https://broadrouter.com/ms/glossary/arabizi/)

Arabizi ialah bahasa Arab yang ditulis secara tidak formal dalam huruf Rumi, menggunakan digit untuk bunyi Arab yang tiada padanan Rumi, seperti 3 untuk ع. Ia biasa dalam chat dan media sosial, kebanyakannya dialek, tiada ejaan standard, dan sering bercampur dengan bahasa Inggeris atau Perancis.

[Output berstruktur (structured output)](https://broadrouter.com/ms/glossary/structured-output/)

Output berstruktur ialah ciri API LLM yang mengehadkan balasan model kepada format yang ditetapkan oleh pembangun, biasanya JSON Schema, supaya kod boleh menghuraikannya dengan boleh dipercayai. Ia lebih ketat daripada JSON mode, yang menjamin JSON yang sah tetapi bukan bentuk tertentu.

[Tetingkap konteks (context window)](https://broadrouter.com/ms/glossary/context-window/)

Tetingkap konteks ialah bilangan maksimum token yang boleh dikendalikan oleh model bahasa dalam satu permintaan. Ia meliputi prompt, sejarah perbualan, definisi alatan, imej dan output yang dijana, termasuk token penaakulan. Apa-apa yang tidak muat mesti dipotong, diringkaskan atau dipecahkan kepada beberapa permintaan.

[Bahasa Arab Standard Moden (MSA)](https://broadrouter.com/ms/glossary/msa/)

Bahasa Arab Standard Moden (MSA) ialah bentuk bahasa Arab yang diseragamkan untuk penulisan, berita, pendidikan dan pertuturan rasmi di seluruh dunia Arab. Ia bukan bahasa harian asli sesiapa: orang bertutur dalam dialek serantau seperti bahasa Arab Mesir atau Teluk dan beralih kepada MSA dalam situasi rasmi.

[Baris Arab (tashkeel, Arabic diacritics)](https://broadrouter.com/ms/glossary/arabic-diacritics/)

Baris Arab, atau tashkeel, ialah tanda kecil yang ditulis di atas atau di bawah huruf untuk menunjukkan vokal pendek, konsonan berganda dan ketiadaan vokal. Ia pilihan: kebanyakan teks Arab, termasuk berita, meninggalkannya, jadi pembaca dan perisian meneka vokal daripada konteks.

[Base URL (URL asas)](https://broadrouter.com/ms/glossary/base-url/)

Base URL ialah alamat akar tetap sesuatu API, seperti https://api.example.com/v1, yang diletakkan oleh klien di hadapan setiap laluan endpoint, seperti /chat/completions. Dalam SDK serasi OpenAI, menukar base URL, bersama kunci API dan ID model, menghalakan kod yang sama kepada penyedia lain.

## Soalan lazim

### Bolehkah LLM melakukan pengecaman entiti bernama bahasa Arab?

Boleh, dengan semakan. Keputusan zero-shot yang diterbitkan untuk NER bahasa Arab peringkat token ketinggalan jauh berbanding model yang ditala halus, jadi sahkan setiap entiti dengan teks sumber dan skor model pada sampel berlabel daripada data anda sendiri sebelum bergantung padanya.

### Bagaimanakah memadankan nama Arab yang ada dan tiada diakritik?

Normalkan kedua-dua pihak sebelum membanding: buang tashkeel (U+064B hingga U+065F), alef pisau (dagger alef) dan tatweel, petakan إ أ آ ٱ kepada ا dan ى kepada ي, dan rapatkan ruang. Simpan teks asal untuk paparan; gunakan bentuk ternormal untuk padanan sahaja.

### Bagaimanakah menukar tarikh Hijrah kepada Masihi dalam Python?

Gunakan hijridate (dahulunya hijri-converter): Hijri(1445, 6, 15).to\_gregorian() memulangkan 2023-12-28. Ia mengikut kalendar Umm al-Qura, menyokong 1343 hingga 1500 H, dan tidak bertujuan untuk tarikh keagamaan yang ditetapkan melalui rukyah anak bulan.

### Set data NER bahasa Arab manakah yang boleh saya uji?

ANERcorp (berita, kira-kira 150,000 token, empat jenis), AQMAR (74,000 token Wikipedia), Wojood (kira-kira 550,000 token MSA dan dialek dengan 21 jenis bersarang) dan CANERCorpus (hadis bahasa Arab Klasik, 20 jenis). Semak lesen setiap satu, dan petakan labelnya kepada label anda.

### Patutkah model menterjemah atau mentransliterasi nama?

Tidak dalam langkah pengekstrakan. Minta rentang sumber yang tepat, supaya anda boleh mengesahkannya. Tambah medan berasingan untuk ejaan Rumi jika perlu, dan anggap ia belum disahkan.

## Teruskan membaca

-   [JSON mode vs json\_schema: output berstruktur yang boleh diharap](https://broadrouter.com/ms/blog/structured-output-json-schema/)
-   [Penormalan teks Arab untuk carian dan RAG: apa diubah, apa tidak](https://broadrouter.com/ms/blog/arabic-text-normalization-search/)
-   [Arabizi dan LLM: mengendalikan Franco-Arab dengan nombor 3 dan 7](https://broadrouter.com/ms/blog/arabizi-llm-handling/)
-   [Pengelasan teks bahasa Arab dengan LLM: sentimen, niat, triaj](https://broadrouter.com/ms/blog/arabic-text-classification-llm/)
-   [Kejuruteraan prompt bahasa Arab: laras, RTL, angka dan teks bercampur](https://broadrouter.com/ms/blog/arabic-prompt-engineering/)
-   [Memilih API LLM untuk bahasa Arab: apa yang perlu diuji](https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/)
-   [Pembetulan tatabahasa dan ejaan bahasa Arab dengan LLM: panduan](https://broadrouter.com/ms/blog/arabic-grammar-spelling-correction-llm/)
-   [Tambah baris pada teks Arab dengan LLM: prompt, semakan dan DER](https://broadrouter.com/ms/blog/arabic-diacritization-llm/)
-   [Minit mesyuarat bahasa Arab daripada rakaman: saluran API](https://broadrouter.com/ms/blog/arabic-meeting-minutes-from-recordings/)
-   [Panduan: Baca invois dan resit Arab dengan model vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/)
-   [Panduan: Cara guna OpenAI Python SDK dengan BroadNet Inference](https://broadrouter.com/ms/guides/openai-python-sdk/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-named-entity-extraction-llm&utm_content=page-cta) ·

**Sumber**

-   [Abdelali et al., LAraBench: Benchmarking Arabic AI with Large Language Models, EACL 2024, Jadual 1 dan 5 (disemak 2026-11-15)](https://aclanthology.org/2024.eacl-long.30/)
-   [Jarrar, Khalilia dan Ghanem, Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT, LREC 2022 (disemak 2026-11-15)](https://aclanthology.org/2022.lrec-1.387/)
-   [Jarrar et al., WojoodNER 2023: The First Arabic Named Entity Recognition Shared Task, ArabicNLP 2023 (disemak 2026-11-15)](https://aclanthology.org/2023.arabicnlp-1.83/)
-   [CAMeL Lab, halaman muat turun ANERcorp dan pecahan train/test (disemak 2026-11-15)](https://camel.abudhabi.nyu.edu/anercorp/)
-   [AlDuwais, Al-Khalifa dan AlSalman, CLEANANERCorp: Identifying and Correcting Incorrect Labels in the ANERcorp Dataset, OSACT 2024 (disemak 2026-11-15)](https://aclanthology.org/2024.osact-1.2/)
-   [CMU ARK, AQMAR Arabic Wikipedia Named Entity Corpus: 74,000 token, 28 artikel (disemak 2026-11-15)](https://www.cs.cmu.edu/~ark/ArabicNER/)
-   [Salah dan Zakaria, repositori Classical Arabic Named Entity Recognition Corpus (CANERCorpus) (disemak 2026-11-15)](https://github.com/RamziSalah/Classical-Arabic-Named-Entity-Recognition-Corpus)
-   [hijridate di PyPI: penukar Umm al-Qura, dahulunya hijri-converter, 1343 hingga 1500 H (disemak 2026-11-15)](https://pypi.org/project/hijridate/)
-   [Rujukan API BroadNet Inference: model dengan output berstruktur, penaakulan dan max\_tokens (disemak 2026-11-15) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-named-entity-extraction-llm&utm_content=sources)
