نقترح نظامًا لإعادة ترتيب الكيانات المُسَمّاة (Named Entity Recognition - NER) باستخدام الشبكات العصبية. الفكرة الأساسية هي الاستفادة من نماذج الشبكات العصبية المتكررة لتعلم أنماط الجمل التي تتضمن ذِكْر كيانات مُسَمّاة. بصفة خاصة، عند إعطاء جملة خرج تم إنتاجها بواسطة نموذج NER الأساسي، نقوم باستبدال جميع ذِكْرات الكيانات، مثل "باراك أوباما" (\textit{Barack Obama})، بأنواعها، مثل "شخص" (\textit{PER}). النماط الجملية الناتجة تحتوي على معلومات الخرج المباشرة ولكنها أقل ندرةً بدون الكيانات المُسَمّاة المحددة. على سبيل المثال، يمكن أن يكون "شخص ولد في مكان" (\textit{PER was born in LOC}) هو أحد هذه الأنماط. يتم استخدام هياكل LSTM وCNN لتعلم التمثيلات العميقة لهذه الجمل لإعادة الترتيب. تظهر النتائج أن نظامنا يمكنه تحسين دقة NER بشكل كبير على نموذجين أساسيين مختلفين، مما يوفر أفضل النتائج المبلغ عنها على مقاييس معيارية قياسية.