Lexikon · N
Named Entity Recognition

Nimm den Satz "Die Hansen GmbH eröffnet in Leipzig ein Lager, sagt Geschäftsführerin Anna Weber". Ein Mensch sieht sofort ein Unternehmen, eine Stadt und eine Person. Ein Programm für Named Entity Recognition markiert genau diese drei Stellen und hängt an jede eine Klasse. Auf Deutsch spricht man auch von Eigennamenerkennung. Sie gehört zur Informationsextraktion, dem Teil der Sprachverarbeitung, der aus Fließtext Daten macht, die sich in Tabellen und Datenbanken weiterverwenden lassen1.
Ein Wettbewerb gab der Aufgabe den Namen
Geprägt wurde der Begriff bei der sechsten Message Understanding Conference, kurz MUC-6, deren Verlauf Ralph Grishman und Beth Sundheim 1996 beschrieben. Die Veranstalter suchten eine Aufgabe, die unabhängig vom Fachgebiet funktioniert, und legten fest: Gefunden werden sollen alle Namen von Personen, Organisationen und geografischen Orten, dazu Zeit-, Währungs- und Prozentangaben2. Auf Artikeln aus dem Wall Street Journal lagen die meisten Systeme bei Präzision und Recall über 90 Prozent, das beste kam auf 96 Prozent Recall und 97 Prozent Präzision2.
Für Deutsch fielen die Werte niedriger aus. Beim Wettbewerb CoNLL-2003 traten 16 Systeme mit englischen und deutschen Nachrichtentexten an; die deutschen stammten aus der Frankfurter Rundschau. Gesucht waren Personen, Orte, Organisationen und eine Restklasse für alle übrigen Namen. Das beste System erreichte auf Englisch einen F1-Score von 88,76, auf Deutsch 72,411.
Wie ein System Namen erkennt
Im Englischen verrät die Großschreibung viel, im Deutschen kaum etwas, denn hier schreibt man jedes Substantiv groß. Heutige Verfahren lernen deshalb aus Beispieltexten, in denen Menschen jeden Namen von Hand markiert haben. Technisch ist das eine Sequenzaufgabe: Für jedes Wort entscheidet das Modell, ob es einen Namen beginnt, einen begonnenen fortsetzt oder außerhalb steht. In CoNLL-2003 hieß diese Darstellung IOB, nach Inside, Outside und Beginning1.
Fertige Werkzeuge bringen eigene Klassen mit. Im Beispielsatz der spaCy-Dokumentation tauchen Organisationen, geopolitische Einheiten wie Länder und Städte sowie Geldbeträge auf, in einem zweiten Beispiel Personen und Datumsangaben4. Die Natural Language API von Google Cloud liefert zu jedem gefundenen Begriff den Typ, alle Fundstellen im Text und zusätzliche Metadaten3.
Typische Fehler
Mehrdeutige Namen sind eine typische Fehlerquelle. "Paris" kann eine Stadt sein oder ein Vorname, "Mercedes" eine Person oder eine Automarke. Ob das Modell richtig liegt, hängt am Zusammenhang, und den deutet es nicht immer so, wie du es tun würdest. Viele Anwendungen hängen deshalb einen zweiten Schritt an, das Entity Linking: Es verknüpft den gefundenen Namen mit einem Eintrag in einer Wissensdatenbank, sodass aus "Hansen" ein bestimmter Kunde im eigenen System wird. spaCy führt diesen Schritt als eigenen Baustein4.
Ob ein ganzer Brief eine Beschwerde oder eine Bestellung ist, entscheidet die Textklassifikation, die immer den ganzen Text bewertet. NER arbeitet eine Ebene darunter, Wort für Wort. Beide Verfahren laufen in der Praxis oft hintereinander, etwa wenn ein Postfach Anfragen erst sortiert und dann Kundennamen und Vertragsnummern herauszieht. Bevor solche Ergebnisse aus eigenen Dokumenten in eine Kundendatenbank wandern, lohnt eine Stichprobe von Hand.
Häufige Fragen
Wofür braucht man Named Entity Recognition im Alltag?
Zum Beispiel, um in vielen Dokumenten alle Erwähnungen einer Firma zu finden, um Adressen und Namen aus E-Mails in ein Kundensystem zu übernehmen oder um Personennamen vor der Weitergabe eines Textes zu schwärzen.
Kann ich eigene Klassen wie Produktnamen ergänzen?
Ja. Gängige Bibliotheken lassen sich mit eigenen markierten Beispielen nachtrainieren. Wie viele Beispiele nötig sind, hängt davon ab, wie eindeutig die neuen Namen im Text auftauchen.
Lohnt sich ein eigenes NER-Modell, wenn es Sprachmodelle gibt?
Ein großes Sprachmodell kann Namen in einem Text benennen, wenn du es darum bittest; prüfe die Treffer an einer Stichprobe. Bei großen Mengen gleichartiger Texte liefert ein spezialisiertes NER-Modell die Ergebnisse in festem Format.
Quellen
Stand:
- arXiv (Tjong Kim Sang, De Meulder): Introduction to the CoNLL-2003 Shared Task: Language-Independent Named Entity Recognition, Stand 12.06.2003, abgerufen am 22.11.2026. zurück
- ACL Anthology (Grishman, Sundheim, COLING 1996): Message Understanding Conference-6: A Brief History, Stand 1996, abgerufen am 22.11.2026. zurück
- Google Cloud: Natural Language API Basics, abgerufen am 22.11.2026. zurück
- Explosion (spaCy): Linguistic Features, abgerufen am 22.11.2026. zurück





