命名エンティティ抽出（Named Entity Recognition, NER）は、文の構文的・意味的特性に極めて敏感であり、エンティティはテキスト内での使用法や配置に応じて抽出される。このような特性をモデル化するためには、既存のリソースを活用してNERタスクに有益な知識を提供することが考えられる。いくつかの先行研究は、こうした知識の活用が有効であることを示しているが、特に文脈に応じて重要な知識を適切に区別・利用する点で限界がある。本論文では、提案するキー・バリュー記憶ネットワーク、構文アテンション、ゲート機構を用いて、構文情報のエンコーディング、重み付け、集約をそれぞれ機能化し、アテンションを用いたアンサンブルにより、さまざまな種類の構文情報を効果的に活用することでNERを向上させた。6つの英語および中国語のベンチマークデータセットにおける実験結果から、提案モデルの有効性が示され、すべての実験データセットにおいて従来手法を上回ることが確認された。