命名實體識別 是什麼？
NER (Named Entity Recognition)：命名實體識別 的完整解釋
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。
命名實體識別（Named Entity Recognition，NER）是資訊擷取（Information Extraction）領域的核心任務，也是許多 NLP 應用管線（pipeline）的起點。其目標是給定一段自然語言文字，標出其中所有的命名實體（named entity）位置與類別。
常見實體類別
不同領域的 NER 系統定義的實體類別各有不同，標準資料集（如 CoNLL-2003）通常包含：
- PER（Person）：人名，如「馬英九」「Elon Musk」
- ORG（Organization）：組織機構，如「臺灣大學」「OpenAI」
- LOC（Location）：地名，如「台北市」「Silicon Valley」
- MISC（Miscellaneous）：其他雜項，如節日、作品名稱
金融、醫療等領域則會擴充自定義類別，如藥品名、疾病名、股票代碼、法規名稱等。
標注方案
NER 的序列標注通常採用 BIO 或 BIOES 方案：
- B（Beginning）：命名實體的第一個詞元
- I（Inside）：命名實體的中間與末尾詞元
- O（Outside）：非命名實體的詞元 例如「台灣大學」的 BIO 標注為：台/B-ORG、灣/I-ORG、大/I-ORG、學/I-ORG。
技術演進
- 規則與詞典法（早期）：人工撰寫正規表示式與實體詞典，精確率高但覆蓋率有限，維護成本高。
- 統計模型：隱馬可夫模型（HMM）、條件隨機場（CRF）是 2000-2015 年的主流方法，CRF 至今仍常作為模型的輸出層。
- 深度學習（2015 年後）：BiLSTM-CRF 架構成為當時的標準方法，能自動學習上下文特徵。
- 預訓練語言模型（2018 年後）：BERT、RoBERTa 等模型作為特徵提取器，搭配 CRF 或 Softmax 輸出層，在多數基準上大幅超越前一代方法，成為現今主流。
- 生成式模型（近期）：GPT 系列模型可透過提示詞直接輸出結構化實體，適合低資源或快速原型場景，但一致性不如序列標注模型。
應用場景
- 新聞媒體監控：自動擷取報導中的人物、組織、事件地點。
- 金融分析：從財報、新聞中擷取公司名稱、財務數字、時間點。
- 醫療資訊擷取：從病歷中識別藥品名、疾病名、手術名稱，輔助臨床決策。
- 知識圖譜建構：NER 是三元組擷取（實體-關係-實體）的前置步驟。
- 搜尋引擎理解：識別查詢詞中的實體類型，改善搜尋結果排序。
- 智慧客服：從使用者訊息中擷取訂單號碼、產品名稱、日期等資訊。
評估指標
NER 評估採用精確率、召回率與 F1 分數，且通常以實體跨度（span）為單位，即一個實體的邊界與類別均正確才算正確（部分正確不計分）。
挑戰
- 實體邊界模糊：「台大醫院」是整體還是「台大」+「醫院」？
- 實體歧義：「蘋果」是公司名還是水果？需依上下文消歧。
- 巢狀實體（Nested NER）：「哈佛大學醫學院」包含多層組織。
- 低資源語言：中文、泰文等缺乏分詞邊界，標注更複雜。
- 領域遷移：通用模型在特定領域（如法律、生醫）效果可能顯著下降，需要領域適應（domain adaptation）。
NER 的評估標準與實踐建議 NER 系統上線前，建議進行「錯誤分析」：將假陽性（誤報實體）和假陰性（漏報實體）分類，識別常見失誤模式（如邊界錯誤、類別混淆），以決定下一步改善策略。在標注新資料時，應制定清晰的標注指南（annotation guideline），定義邊界案例的處理方式，並計算標注者間一致性（inter-annotator agreement，通常用 Cohen kappa 衡量）。多標籤 NER（同一文字跨越多個實體類別）和巢狀 NER 是進階挑戰，需要專門的模型架構或後處理策略來處理。