私たちは、固有表現認識（Named Entity Recognition: NER）のためのニューラルリランキングシステムを提案します。基本的なアイデアは、再帰型ニューラルネットワークモデルを活用して、固有表現が含まれる文レベルのパターンを学習することです。具体的には、ベースラインのNERモデルによって生成された出力文において、\textit{Barack Obama}などの固有表現を\textit{PER}などのエンティティタイプに置き換えます。これにより得られる文パターンは、直接的な出力情報を含みつつも、特定の固有表現がないため疎さが減少します。例えば、「PERはLOCで生まれた」のようなパターンが考えられます。LSTMとCNN構造を用いて、このような文の深層表現を学習し、リランキングを行います。結果は、異なる2つのベースラインに対して当システムが大幅にNER精度を向上させることを示しており、標準的なベンチマークにおいて最良の報告結果を与えています。