命名實體辨識 (NER)

從非結構化文字中辨識並分類命名實體（人名、組織、地名、日期、產品）的任務。

Named entity recognition（NER，命名實體辨識）是任務：在文字中找出並分類命名實體。給「Apple released the iPhone 15 in Cupertino on September 12, 2023」這句話，NER 系統應該標 Apple → ORG、iPhone 15 → PRODUCT、Cupertino → LOC、September 12, 2023 → DATE。它重要的原因是：NER 是許多資訊抽取 pipeline 的基礎建構單元：把新聞文章轉成知識圖譜、從非結構化文件填入資料庫、文件敏感資訊去識別（PII 偵測）、法律文件分析、搜尋引擎索引。LLM 之前，專用 NER 模型（spaCy、Stanford NER、Flair、中文工具像 LTP 跟 HanLP）是每個 NLP stack 的獨立部分。舉個例子：把一份 10 頁合約餵給 LLM，prompt 寫「抽出每個當事人、日期、金額、義務，回傳 JSON」——現代 LLM 一次呼叫就高準確率搞定。同樣任務在 2022 年前需要 fine-tune 過的 NER 模型加上規則後處理。對極高量 production NER（每天數百萬份文件、低延遲），專用模型在成本上仍勝過 LLM API 呼叫。但對一次性抽取、探索性分析、中量工作，用清楚 prompt 跟 JSON 結構化輸出叫 LLM 通常最簡單。延伸閱讀：information extraction、RAG、prompt engineering、structured output。