你有沒有看過一段文字，想知道哪些字是人名、地名、公司名？ 你可以把它想成替句子畫重點，把專有名詞圈出來，還要標清楚它是什麼類型。 命名實體辨識不是只找名詞，而是要把文字中的特定資訊標成可用資料。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
命名實體辨識 vs 文本分類 命名實體辨識：標每個詞是哪一類 文本分類：判斷整段文字屬於哪一類 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
命名實體辨識 vs 實體鏈接 命名實體辨識：只找出實體片段 實體鏈接：還要把片段連到知識庫中的正確條目 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
找出名字，還要標出它屬於什麼。
實際案例
新聞分析 從新聞中抓出人名、公司名、地名，方便做事件整理。
客服紀錄 從對話中抽出產品名稱、日期、地點，讓後續流程自動化。
算法與應用
實作上，NER 常把問題視為序列標註。 模型不只要知道詞本身，還要看上下文，才能判斷同一個詞是不是實體。 像「蘋果」這種詞，有時是公司，有時是水果，語境很重要。
情境判斷
Q1（直覺題）： 你要從履歷裡找出公司、學校、日期，這是在做什麼？
命名實體辨識，因為你要把特定資訊片段標出來。
Q2（判斷題）： 同樣出現「台大」，在新聞和聊天紀錄裡一定都算學校嗎？
不一定，要看上下文，NER 不能只看單字表面。
常見問題
它只認人名嗎？
不是，地名、組織名、日期、金額都常是實體。
它和關鍵字抽取一樣嗎？
不一樣，關鍵字抽取重點是摘要，NER 重點是分類標註。
為什麼上下文很重要？
因為很多字在不同句子裡會有不同身分。