Das Segmentierungsproblem stellt eine der grundlegenden Herausforderungen im Bereich der Named Entity Recognition (NER) dar, da es darauf abzielt, die Grenzfehler bei der Erkennung von Wortsequenzen, die zu einer Entität gehören, zu minimieren. Zahlreiche fortschrittliche Ansätze wurden vorgeschlagen, wobei jedoch die meisten Ansätze eine Leistungseinbuße zeigen, wenn die Entitäten länger werden. Angeregt durch frühere Arbeiten, in denen ein Multi-Task-Ansatz zur Lösung von Segmentierungsproblemen eingesetzt wurde, entwickeln wir einen ähnlichkeitbasierten Hilfsklassifikator (SAC, similarity-based auxiliary classifier), der in der Lage ist, Entitätswörter von Nicht-Entitätswörtern zu unterscheiden. Im Gegensatz zu herkömmlichen Klassifikatoren verwendet SAC Vektoren zur Darstellung von Tags. Dadurch kann SAC die Ähnlichkeiten zwischen Wörtern und Tags berechnen und anschließend eine gewichtete Summe der Tag-Vektoren ermitteln, die als nützliche Merkmalsrepräsentation für NER-Aufgaben betrachtet werden kann. Empirische Ergebnisse bestätigen die Plausibilität der SAC-Architektur und belegen das Potenzial des SAC-Modells zur Leistungssteigerung im Vergleich zu unseren Baseline-Ansätzen.