固有表現認識（NER）は、テキストから特定の意味を持つエンティティを自動的に発見・識別し、人物、組織、場所、時間、数量、ドメイン固有のエンティティなど、あらかじめ定義されたカテゴリに分類する自然言語処理（NLP）技術です。この技術は、情報抽出、知識グラフ構築、インテリジェント検索システムにおける基本的なタスクの一つです。

固有表現認識（NER）の開発は、情報抽出、統計的自然言語処理、機械学習など、複数の分野における長期的研究に基づいています。初期のNER手法は、主に手動で設計されたルール、辞書マッチング、統計モデルに依存して固有表現認識を実現していましたが、複雑なコンテキストやドメイン横断的なタスクでは汎化能力が限られていました。ディープラーニングの発展に伴い、研究者たちはニューラルネットワークを利用してテキストのコンテキスト特徴を自動的に学習し始めました。2016年、カーネギーメロン大学のギヨーム・ランプルを含む研究者たちは、論文を発表しました。 固有表現認識のためのニューラルアーキテクチャ 本論文では、双方向LSTMと条件付き確率場（BiLSTM-CRF）に基づくニューラルネットワークベースの固有表現認識手法を提案しており、手動による特徴量エンジニアリングへの依存度を低減し、ニューラルNER分野における重要な代表的研究の一つとなっている。

現代の固有表現認識システムは、一般的に、事前学習済みの言語モデル（BERTなど）、大規模言語モデル（LLM）、およびドメイン適応技術を組み合わせて、テキスト内の固有表現の境界とカテゴリを識別します。これらのモデルは通常、精度、再現率、F1スコアなどの指標を用いて評価され、知識グラフの構築、インテリジェントな質問応答、金融情報分析、医療テキスト処理、世論分析などのシナリオで広く利用されており、非構造化テキストを構造化知識に変換するための重要な技術的サポートを提供しています。