---
title: "命名實體識別（NER (Named Entity Recognition)）"
slug: ner-named-entity-recognition
language: zh-TW
source: https://aiterms.tw/terms/ner-named-entity-recognition
updated_at: 2026-06-22
tags: [序列標注, 資訊擷取, 自然語言處理, BIO標注, 實體識別]
ipas_term: false
---

# 命名實體識別（NER (Named Entity Recognition)）

從非結構化文字中自動識別並分類人名、地名、組織名等具體命名實體的 NLP 技術。

## 完整說明

命名實體識別（Named Entity Recognition，NER）是自然語言處理的基礎任務之一，旨在從文本中自動定位並分類特定類型的命名實體，常見類別包含人名（Person）、地名（Location）、組織機構名（Organization）、日期時間、貨幣金額等。NER 是資訊擷取、知識圖譜建構、問答系統等下游應用的重要前置步驟，現代 NER 系統多採用序列標注模型或基於 Transformer 的預訓練模型實現。

## 常見問題

### NER 和關鍵字擷取（Keyword Extraction）有什麼不同？

兩者都在從文字中找出重要詞彙，但目的與方法不同。關鍵字擷取偏向找出代表文章主題的核心詞彙，不一定是命名實體，也可能是抽象概念詞（如「機器學習」「永續發展」）；NER 則專注於識別具有明確現實指涉的命名實體（人名、地名、組織名等），並且必須標注其精確邊界和類別。兩者可互補：先用 NER 找出實體，再結合關鍵字擷取進行更全面的文件分析。

### 在中文環境下做 NER 特別困難嗎？

相較於英文，中文 NER 確實面臨額外挑戰。最主要的問題是中文沒有天然的詞彙邊界（英文有空格），因此需要先進行中文分詞（word segmentation），而分詞錯誤會直接影響 NER 品質。此外，中文人名通常只有兩三個字，容易與普通詞彙混淆；地名也存在大量簡稱和別稱。現代做法通常採用字元級（character-level）的序列標注，不依賴分詞，搭配 BERT-base-chinese 等預訓練模型，在標準資料集上已能取得相當好的效果。

### 如果我想快速在自己的資料上做 NER，有什麼工具推薦？

有幾個方向可以選擇：若需要快速原型且資料量不大，可以用 OpenAI 或 Anthropic 的 LLM API 直接透過提示詞擷取實體，格式化輸出為 JSON，省去標注成本。若需要在本地部署或處理大量文件，spaCy 是功能完整的 NLP 函式庫，提供預訓練的 NER 模型並支援自定義訓練；HuggingFace Transformers 上也有大量針對各語言和領域微調的 NER 模型可直接使用。若領域特殊（如醫療、法律），建議在通用模型基礎上用少量領域標注資料進行微調。

---

來源：https://aiterms.tw/terms/ner-named-entity-recognition
快查頁：https://aiterms.tw/terms/ner-named-entity-recognition
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-ner-named-entity-recognition