---
title: "命名實體辨識（Named Entity Recognition）"
slug: named-entity-recognition
language: zh-TW
source: https://aiterms.tw/terms/named-entity-recognition
updated_at: 2026-04-29
tags: [自然語言處理, AI應用]
ipas_term: false
---

# 命名實體辨識（Named Entity Recognition）

> **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

> **Q：它只認人名嗎？**
> 不是，地名、組織名、日期、金額都常是實體。
>
> **Q：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。
>
> **Q：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。
>
### 相關術語

> - **文本分類**：先比較這兩個任務，就知道 NER 在標什麼。
> - **實體鏈接**：NER 找到片段後，下一步常是連到資料庫。
> - **自然語言處理**：這是 NER 所在的大領域。
> - **語言模型**：現在很多 NER 會用它當底層特徵。
> - **對話系統**：對話中抽出人名、地點、時間很常見。

---

來源：https://aiterms.tw/terms/named-entity-recognition
快查頁：https://aiterms.tw/terms/named-entity-recognition
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-named-entity-recognition