固有表現抽出（NER）を使用して、データベース内のテキストに適切なタグを見つけたいと思います。
これに関するウィキペディアの記事や、NERについて説明している他の多くのページがあることを知っています。このトピックについて、あなたから何か聞いていただければ幸いです。
例：
「昨年、私はバラク・オバマを見たロンドンにいました。」=>タグ：ロンドン、バラク・オバマ
あなたが私を助けてくれることを願っています。事前にどうもありがとうございました！
Python を使用する予定がある場合は、まずhttp://www.nltk.org/をチェックしてください。私の知る限り、コードは「産業用強度」ではありませんが、始めるには役立ちます。
http://nltk.googlecode.com/svn/trunk/doc/book/ch07.htmlのセクション 7.5 を確認してください。ただし、アルゴリズムを理解するには、おそらく多くの本を読む必要があります。
http://nlp.stanford.edu/software/CRF-NER.shtmlもチェックしてください。それはJavaで行われ、
NER は簡単なテーマではなく、おそらく誰も「これが最良のアルゴリズムだ」とは言いません。ほとんどのアルゴリズムには長所と短所があります。
私の0.05ドル。
乾杯、
それはあなたが望むかどうかによって異なります：
NER について学習するには: NLTKおよび関連書籍から始めることをお勧めします。
最適なソリューションを実装するには: ここでは、最先端の技術を探す必要があります。TRECの出版物をご覧ください。より専門的な会議はBiocreative です(狭い分野に適用された NER の良い例です)。
最も簡単な解決策を実装するには: この場合、基本的には単純なタグ付けを行い、名詞としてタグ付けされた単語を引き出します。nltk のタガーを使用するか、PyWordnet で各単語を調べて、最も一般的な単語センスでタグ付けすることもできます。
ほとんどのアルゴリズムはなんらかのトレーニングを必要とし、タグ付けを要求する内容を表すコンテンツでトレーニングされたときに最高のパフォーマンスを発揮します。
NERについてはよくわかりませんが、その例から判断すると、単語などの大文字を検索するアルゴリズムを作成できます。そのため、小規模なことを考えている場合は、最も簡単に実装できるソリューションとして正規表現をお勧めします。
もう1つのオプションは、テキストをデータベースと比較することです。データベースと一致する文字列は、対象のタグとして事前に識別されています。
私の5セント。