Abhängigkeitsbaumstrukturen erfassen langstreckige und syntaktische Beziehungen zwischen Wörtern in einem Satz. Syntaktische Relationen (z. B. nominales Subjekt, Objekt) können potenziell auf das Vorhandensein bestimmter benannter Entitäten schließen lassen. Zudem kann die Leistung eines Erkenners für benannte Entitäten von den langstreckigen Abhängigkeiten zwischen den Wörtern in Abhängigkeitsbäumen profitieren. In dieser Arbeit schlagen wir ein einfaches, jedoch wirksames, abhängigkeitsgeleitetes LSTM-CRF-Modell vor, das die vollständigen Abhängigkeitsbäume codiert und die oben genannten Eigenschaften für die Aufgabe der Erkennung benannter Entitäten (Named Entity Recognition, NER) nutzt. Die Datenstatistiken zeigen starke Korrelationen zwischen Entitätstypen und Abhängigkeitsrelationen. Wir führen umfangreiche Experimente auf mehreren Standarddatensätzen durch und demonstrieren die Wirksamkeit des vorgeschlagenen Modells zur Verbesserung der NER-Leistung und die Erreichung von state-of-the-art-Ergebnissen. Unsere Analyse zeigt, dass die signifikanten Verbesserungen hauptsächlich auf die durch Abhängigkeitsbäume bereitgestellten Abhängigkeitsrelationen und langstreckigen Wechselwirkungen zurückzuführen sind.