يُعدّ التعرف على الكيانات المسماة (NER) تقنيةً من تقنيات معالجة اللغة الطبيعية (NLP) تُستخدم لاكتشاف وتحديد الكيانات ذات المعاني المحددة في النصوص تلقائيًا، وتصنيفها ضمن فئات مُحددة مسبقًا، مثل الأشخاص، والمؤسسات، والمواقع، والأوقات، والكميات، والكيانات الخاصة بمجالات مُحددة. وتُعتبر هذه التقنية من المهام الأساسية في استخلاص المعلومات، وبناء مخططات المعرفة، وأنظمة البحث الذكية.

يستند تطوير تقنية التعرف على الكيانات المسماة (NER) إلى أبحاث طويلة الأمد في مجالات متعددة، تشمل استخلاص المعلومات، ومعالجة اللغة الطبيعية الإحصائية، والتعلم الآلي. اعتمدت أساليب التعرف على الكيانات المسماة المبكرة بشكل أساسي على قواعد مصممة يدويًا، ومطابقة القواميس، والنماذج الإحصائية لتحقيق التعرف على الكيانات، إلا أن قدرتها على التعميم كانت محدودة في السياقات المعقدة والمهام متعددة المجالات. مع تطور التعلم العميق، بدأ الباحثون في استخدام الشبكات العصبية لتعلم خصائص السياق النصي تلقائيًا. في عام 2016، نشر باحثون في جامعة كارنيجي ميلون، من بينهم غيوم لامبل، ورقة بحثية... بنى عصبية للتعرف على الكيانات المسماة تقترح الورقة البحثية طريقة للتعرف على الكيانات المسماة تعتمد على الشبكة العصبية LSTM ثنائية الاتجاه والحقل العشوائي الشرطي (BiLSTM-CRF)، مما يقلل الاعتماد على هندسة الميزات اليدوية وأصبح أحد أهم الأعمال البحثية التمثيلية في مجال التعرف على الكيانات المسماة العصبية.

تجمع أنظمة التعرف الحديثة على الكيانات المسماة عادةً بين نماذج لغوية مدربة مسبقًا (مثل BERT)، ونماذج لغوية كبيرة (LLM)، وتقنيات تكييف المجال لتحديد حدود الكيانات وفئاتها في النصوص. تُقيّم هذه النماذج عادةً باستخدام مقاييس مثل الدقة والاستدعاء ودرجة F1، وتُستخدم على نطاق واسع في سيناريوهات مثل بناء مخططات المعرفة، والإجابة الذكية على الأسئلة، وتحليل المعلومات المالية، ومعالجة النصوص الطبية، وتحليل الرأي العام، مما يوفر دعمًا تقنيًا بالغ الأهمية لتحويل النصوص غير المهيكلة إلى معرفة مهيكلة.