Die Erkennung benannter Entitäten (Named Entity Recognition, NER) ist stark von syntaktischen und semantischen Eigenschaften von Sätzen abhängig, da Entitäten je nach ihrer Verwendung und Position im Text extrahiert werden können. Um solche Eigenschaften zu modellieren, könnte man auf bestehende Ressourcen zurückgreifen, die wertvolle Kenntnisse für die NER-Aufgabe liefern; einige bestehende Studien haben die Wirksamkeit eines solchen Ansatzes bereits nachgewiesen, sind jedoch eingeschränkt in der angemessenen Nutzung dieser Kenntnisse, insbesondere im Hinblick auf die Unterscheidung der für einen bestimmten Kontext relevanten Informationen. In diesem Paper verbessern wir die NER, indem wir verschiedene Arten syntaktischer Information durch ein aufmerksamkeitsbasiertes Ensemblesystem ausnutzen, das mittels der vorgeschlagenen Key-Value-Speicher-Netzwerke, Syntax-Aufmerksamkeit und Gating-Mechanismen jeweils zur Kodierung, Gewichtung und Aggregation dieser syntaktischen Informationen funktioniert. Experimentelle Ergebnisse auf sechs englischen und chinesischen Benchmark-Datensätzen belegen die Wirksamkeit des vorgeschlagenen Modells und zeigen, dass es in allen Experimenten die bisherigen Ansätze übertrifft.