الطرق السائدة لتحديد الكيانات المسماة (NER) تعتمد في الغالب على شبكات العصبونات التكرارية المعقدة (RNN)، مثل الذاكرة طويلة المدى قصيرة المدى (LSTM). ومع ذلك، فإن الشبكات التكرارية محدودة بسبب طبيعتها التكرارية فيما يتعلق بالكفاءة الحسابية. بخلاف ذلك، يمكن للشبكات العصبونية التلافيفية (CNN) استغلال موازاة وحدة معالجة الرسومات (GPU) بشكل كامل بفضل هياكلها الإرسالية. ومع ذلك، لم يُولَ الكثير من الاهتمام لأداء تحديد الكيانات المسماة باستخدام CNNs، وذلك أساسًا بسبب صعوبتها في التقاط المعلومات السياقية طويلة الأمد في تسلسل. في هذا البحث، نقترح شبكة عصبية تلافيفية بسيطة ولكن فعالة لتحديد الكيانات المسماة، وهي شبكة العلاقات المحكومة (GRN)، والتي تكون أكثر قدرة من الشبكات التلافيفية الشائعة على التقاط السياق طويل الأمد. بشكل خاص، في شبكة GRN، نستخدم أولاً الشبكات التلافيفية لاكتشاف الخصائص السياقية المحلية لكل كلمة. ثم نقوم بنمذجة العلاقات بين الكلمات واستخدامها كبوابات لدمج الخصائص السياقية المحلية إلى خصائص عالمية لتوقع العلامات. دون استخدام الطبقات التكرارية التي تعالج الجملة بطريقة تسلسلية، يسمح لنا نموذج GRN بأداء الحسابات بشكل متوازي عبر الجملة بأكملها. أظهرت التجارب على مجموعتين رئيسيتين من بيانات تحديد الكيانات المسماة (أي CoNLL2003 وOntonotes 5.0) أن النموذج المقترح GRN يمكنه تحقيق أداء متميز سواء باستخدام المعرفة الخارجية أو بدونها. كما يتمتع أيضًا بتكلفة زمنية أقل للتدريب والاختبار. لقد جعلنا الرمز البرمجي متاحًا للجمهور على الرابط https://github.com/HuiChen24/NER-GRN.