Le problème de segmentation est l'une des défis fondamentaux associés aux tâches de reconnaissance d'entités nommées (NER), dont l'objectif est de réduire les erreurs de borne lors de la détection d'une séquence de mots d'entité. Un nombre important d'approches avancées ont été proposées, mais la plupart d'entre elles présentent une dégradation des performances lorsque les entités deviennent plus longues. Inspirés par des travaux antérieurs qui ont utilisé une stratégie multi-tâches pour résoudre les problèmes de segmentation, nous proposons un classificateur auxiliaire basé sur la similarité (SAC), capable de distinguer les mots d'entité des mots non entité. Contrairement aux classificateurs conventionnels, le SAC utilise des vecteurs pour représenter les étiquettes. Ainsi, il peut calculer les similarités entre les mots et les étiquettes, puis déterminer une somme pondérée des vecteurs d'étiquettes, qui peut être considérée comme une caractéristique utile pour les tâches de NER. Des résultats expérimentaux permettent de vérifier la pertinence de la structure SAC et de démontrer son potentiel d'amélioration des performances par rapport aux approches de base.