Zurück zum Glossar

Named Entity Recognition (NER): Entitäten aus Texten automatisch erkennen und klassifizieren

Named Entity Recognition (NER) ist eine Kerntechnik der natürlichen Sprachverarbeitung (NLP), die aus unstrukturierten Texten strukturierte Informationen gewinnt. Das Verfahren identifiziert Textausdrücke, die reale Objekte repräsentieren – etwa Personen, Organisationen oder Orte – und ordnet sie vordefinierten Kategorien zu. Für Unternehmen, die große Textmengen automatisiert auswerten wollen, ist NER häufig der erste Schritt in einer Analyse-Pipeline.

Was ist Named Entity Recognition?

NER ist eine Teilaufgabe des NLP, bei der ein Textausschnitt – Satz, Absatz oder Dokument – auf enthaltene Entitäten untersucht wird. Diese Entitäten werden erkannt und klassifiziert. Typische Kategorien sind Personennamen, Organisationen und geografische Orte. IBM nennt darüber hinaus Entitätstypen wie Zeitangaben, Mengen und Quantitäten, medizinische Codes sowie monetäre Werte und Prozentsätze. NER ist damit nicht auf Eigennamen im engeren Sinn beschränkt, sondern erfasst auch zahlen- und codebasierte Informationen, sofern sie als eigene Entitätstypen modelliert sind.

Wie funktioniert Named Entity Recognition?

Moderne NER-Systeme nutzen statistische Modelle und Deep-Learning-Ansätze. Der Prozess beginnt laut Ultralytics mit der Tokenisierung: Ein Text wird in einzelne Einheiten (Tokens) zerlegt, damit das Modell Beziehungen zwischen ihnen analysieren kann. Für die Kontextanalyse kommen insbesondere Transformer-Architekturen mit Selbstaufmerksamkeit zum Einsatz.

Ein konkretes Beispiel verdeutlicht das Prinzip: Das Wort „Apple" wird im Satz „Apple hat ein neues Telefon herausgebracht" als Organisation klassifiziert, im Satz „Ich habe einen Apfel gegessen" dagegen nicht als Entität gewertet. Die korrekte Zuordnung hängt also direkt vom sprachlichen Kontext ab.

Die Qualität der Ergebnisse ist eng an die Trainingsdaten geknüpft. Ultralytics betont, dass hochwertige Trainingsdaten und präzise Datenannotationen entscheidend für die Modellleistung sind. In multimodalen Anwendungen wird NER häufig mit OCR kombiniert, um Text aus Bildern zu extrahieren und anschließend zu analysieren.

Praxisbeispiele und Anwendungsfälle

NER wird in verschiedenen Branchen als Vorstufe für Information Extraction eingesetzt:

     
  • Gesundheitswesen: Elektronische Gesundheitsakten werden durchsucht, um Symptome, Medikamentennamen und Dosierungen aus klinischen Notizen zu extrahieren. Die strukturierten Ergebnisse können die Arzneimittelentwicklung und die Patientenversorgung unterstützen.
    •  
  • Kundensupport: Chatbots klassifizieren Beschwerden mithilfe von NER. Aus einer Anfrage wie „Der Bildschirm meines Laptops ist kaputt" werden Entitäten wie „Laptop" und „Bildschirm ist kaputt" extrahiert, um daraus ein passendes Support-Ticket abzuleiten.
    •  
  • Content-Empfehlungssysteme: Texte werden mit Entitäten wie Schauspielern, Genres und Orten angereichert, um Inhalte zielgerichteter vorzuschlagen.
    •  
  • Finanzanalyse: Aus Finanzberichten oder Nachrichten lassen sich Firmennamen und Geldwerte extrahieren.
    •  
  • Social-Media-Monitoring: NER identifiziert relevante Entitäten in Beiträgen, um Trends und Meinungen zu Marken oder Produkten zu erfassen und sentimentbezogene Auswertungen zu unterstützen.
    •  
  • Chatbots und virtuelle Assistenten: NER erkennt zentrale Elemente in Nutzeranfragen, damit Antworten präziser ausfallen – etwa bei einer Frage nach „Soul Food restaurants near Piedmont Park".
    •  
  • Cybersecurity: In Netzwerk- und Sicherheitsprotokollen können potenzielle Bedrohungen identifiziert werden, beispielsweise auffällige IP-Adressen, URLs, Benutzernamen oder Dateinamen.

Abgrenzung zu verwandten Verfahren

NER lässt sich klar von ähnlichen NLP-Methoden unterscheiden. Objekterkennung identifiziert visuelle Entitäten in Bildern oder Videos, NER hingegen arbeitet ausschließlich auf Textebene. Sentimentanalyse bewertet den emotionalen Ton eines Textes (positiv/negativ/neutral), während NER herausarbeitet, worüber gesprochen wird. Keyword-Extraktion findet häufige oder relevante Begriffe, klassifiziert diese aber nicht nach Entitätstypen wie Person oder Datum. Natural Language Understanding (NLU) ist ein übergeordneter Begriff; NER ist eine spezifische Komponente davon und wird oft zusammen mit Intent-Klassifizierung eingesetzt.

Fazit

Named Entity Recognition überführt unstrukturierte Texte in klassifizierte, maschinenlesbare Informationen. Durch kontextbasierte Modelle – insbesondere Transformer-Architekturen – erkennt NER Entitäten zuverlässig auch in mehrdeutigen Sprachsituationen. Das Verfahren bildet die Grundlage für nachgelagerte Automatisierungen und KI-Anwendungen, von der Informationsextraktion über Support-Systeme bis hin zur Cybersecurity.