التعرف على الكيانات المسماة (NER) هو أحد أكثر المهام دراسة في معالجة اللغة الطبيعية. ومع ذلك، فإن معظم النهج لا تمتلك القدرة على التعامل مع الهياكل المتداخلة التي تظهر بشكل شائع في العديد من التطبيقات. في هذا البحث، نقدم معمارية شبكة عصبية جديدة تقوم أولاً بدمج العلامات النصية والكيانات إلى كيانات تشكل هياكل متداخلة، ثم تتسم كل منها بشكل مستقل. على عكس الأعمال السابقة، يتنبأ نهج الدمج والتسمية لدينا بهياكل تقسيم ذات قيم حقيقية بدلاً من القيم المنفصلة، مما يتيح له دمج متجهات الكلمات والكيانات المتداخلة مع الحفاظ على القابلية للتفاضل. %وهو ما يسهل جمع الكيانات في متجهات واحدة عبر مستويات متعددة. قمنا بتقييم نهجنا باستخدام مجموعة بيانات ACE 2005، حيث حقق أفضل قيمة F1 بلغت 74.6، والتي تم تحسينها بمزيد من التحسين باستخدام التضمين السياقي (BERT) لتصل إلى 82.4، مما يمثل تحسيناً إجمالياً قريباً من 8 نقاط F1 مقارنة بالنهج السابقة التي تم تدريبها على نفس البيانات. بالإضافة إلى ذلك، قارناه مع شبكات BiLSTM-CRFs، وهي النهج المهيمنة لمعالجة الهياكل غير المتداخلة للكيانات المسماة، مما أثبت أن قدرته على التنبؤ بالهياكل المتداخلة لا تؤثر على الأداء في الحالات البسيطة.