Dieses Papier präsentiert ein neues Framework, MGNER, für die Mehrschichtige Erkennung von benannten Entitäten (Multi-Grained Named Entity Recognition), bei dem mehrere Entitäten oder Entitätserwähnungen in einem Satz sowohl nicht überlappend als auch vollständig verschachtelt sein können. Im Gegensatz zu traditionellen Ansätzen, die die NER als sequenzielle Klassifizierungsaufgabe betrachten und Entitäten nacheinander annotieren, erkennt MGNER Entitäten auf verschiedenen Granularitätsstufen: Es ist in der Lage, benannte Entitäten zu erkennen, ohne explizit davon auszugehen, dass sie nicht überlappend oder vollständig verschachtelt sind. MGNER besteht aus einem Detektor, der alle möglichen Wortschnitte untersucht, und einem Klassifizierer, der die Entitäten kategorisiert. Darüber hinaus werden kontextuelle Informationen und ein Selbst-Aufmerksamkeitsmechanismus (self-attention mechanism) im gesamten Framework genutzt, um die Leistung der NER zu verbessern. Experimentelle Ergebnisse zeigen, dass MGNER in Bezug auf den F1-Score bei verschachtelten/nicht überlappenden NER-Aufgaben bis zu 4,4 % besser abschneidet als aktuelle state-of-the-art-Baselines.