命名实体识别 (NER) 是一项NLP任务，它将文本中的实体识别并分类为预定义的类，如人员名称、位置、组织、日期等。例如，在 “Elon Musk创立SpaceX 2002年” 一句中，NER会将 “Elon Musk” 标记为个人，将 “SpaceX” 标记为组织，将 “2002” 标记为日期。
NER系统通常涉及两个主要步骤: 实体识别 (检测与实体相对应的文本的跨度) 和分类 (将实体分配给类别)。传统的NER模型依赖于基于规则的系统或统计方法，如隐马尔可夫模型 (hmm) 和条件随机场 (crf)。现代NER方法使用深度学习，采用BiLSTMs和基于transformer的模型 (如BERT) 等技术。
上下文嵌入和注意力机制允许现代NER系统捕获单词之间的依赖关系并解决歧义 (例如，“Apple” 作为公司与水果)。spaCy，Hugging Face Transformers和Stanford CoreNLP等库中的预训练NER模型为多种语言和领域的实体提取提供了现成的解决方案。NER广泛用于信息提取，知识图谱构建和文档摘要等应用中。