Named entity recognition: one task up close · A tour of NLP tasks

Key pointsL'essentiel

Named entity recognition finds the stretches of a text that are proper names and labels each one with a type, such as person, organization or place.
Defining a task means deciding what counts as a correct answer. Some borderline cases are settled by the guidelines, some stay hard for people and programs alike, such as where a name stops, and some are hard mainly for programs, such as which type a name has.

What the task does

In the sentence In March, Marie Tremblay left Hydro-Québec for a job at McGill University in Montreal, a reader recognizes four names without effort: a person, two organizations and a city. Named entity recognition is the task of doing the same automatically: finding every stretch of a text that is a proper name, and labelling its type (Figure 2figure 2).

Click the drawing, or a line below, to build it up stage by stage. Cliquez sur le dessin, ou sur une ligne ci-dessous, pour le construire étape par étape.

Figure 2. A sentence and the output of named entity recognition: four stretches, each with a type.

NLPTAL DefinitionDéfinition · named entity recognition (NER)reconnaissance d'entités nommées (REN) · fr: reconnaissance d'entités nommées· en : named entity recognition

The task of finding the spans of a text that are proper names, and labelling the category, most often a person, a location or an organization.Tâche qui consiste à repérer dans un texte les segments qui sont des noms propres, et à en étiqueter la catégorie, le plus souvent une personne, un lieu ou une organisation. (Jurafsky & Martin, 2026, ch. 18)

NotesRemarques A named entity is, roughly, anything that can be referred to with a proper name, and the label is commonly extended to dates, times and amounts. Labelling the category is part of the task as it is standardly defined; finding the spans without typing them is a separate, narrower task. Two things make it hard: deciding where an entity starts and stops, and deciding which type it is, since the same name can be a person, an airport or a school.Une entité nommée est, en gros, tout ce à quoi on peut renvoyer par un nom propre, et l'étiquette s'étend couramment aux dates, aux heures et aux montants. L'étiquetage de la catégorie fait partie de la tâche telle qu'elle est définie habituellement ; repérer les segments sans les typer est une tâche distincte, plus étroite. Deux choses la rendent difficile : décider où une entité commence et se termine, et décider de son type, puisqu'un même nom peut désigner une personne, un aéroport ou une école.

Four types are used most often, for persons, organizations, locations and geopolitical entities such as countries. The task is often extended to dates, times and amounts of money, which are not names in the strict sense (Jurafsky & Martin, 2026). Applications add their own types, for instance products, works of art or, in medicine, genes and proteins.

Where it gets hard

The task sounds simple because reading a name is simple for you. Figure 3figure 3 shows one sentence annotated by three people: they agree that Marie Tremblay is a person, and differ on five points, numbered above the sentence.

The sentence The McGill University Health Centre hired Dr. Marie Tremblay from Washington in March, annotated three times. Annotator A marks McGill University Health Centre as an organization, Dr. Marie Tremblay as a person, Washington as a place and March as a date. Annotator B marks McGill University as an organization, Marie Tremblay as a person and Washington as an organization, and leaves March unmarked. Annotator C marks McGill University Health Centre as an organization with McGill University marked as a second organization inside it, Marie Tremblay as a person, Washington as a place and March as a date. Above the sentence, the number 1 marks McGill University, Dr. and March, and the number 2 marks Health Centre and Washington. — Figure 3. One sentence, annotated by three people. The numbers refer to the rows of the table below.

The difficulties of the task are of three kinds. The table below sorts them, with the cases from the figure and a few others.

Difficulty	Examples	For people	For a program
① Decided by the guidelines	Does Dr. belong to the person? Does March count? Is McGill University also marked inside the longer name? Elsewhere: the status of job titles, products or nicknames.	Most are easy when the guidelines are clear; where they say nothing, people disagree too.	Depends on whether its rules cover these cases, or whether its training examples contain enough of them, and on how easy they are to recognize in the text.
② Hard for people and programs	Where the name stops: the health centre or the university, two different organizations; finding where a name begins and ends is part of the task (Jurafsky & Martin, 2026). Washington: the city, the state or, as a shorthand, the American government.	People disagree even with guidelines, because the sentence can be read either way.	The same difficulty: nothing in the sentence decides.
③ Hard mainly for programs	Washington is a president, a city or a sports team depending on the sentence (Jurafsky & Martin, 2026). A name never seen before: a new company, a name from another language, a name written without a capital letter.	People rarely hesitate when the sentence settles the type.	Has to have learned which surrounding words point to which type: an unusual context misleads it, and an unknown name offers fewer of the clues it relies on (see also the Features for language page, in the Foundations of AI & NLP module) (voir aussi la page Les attributs pour la langue, dans le module Fondements de l'IA et du TAL).

Three kinds of difficulty in named entity recognition.

The people who annotate a text to produce the correct answers follow the guidelines (see also the gold standard page, in the Evaluating language technology module) (voir aussi la page L'étalon de référence, dans le module L'évaluation des technologies langagières) and still do not always agree. How far they agree is the point of comparison for any program’s score, and their disagreement is an important factor in the evaluation of NLP systems (see also the Agreement between annotators page, in the Evaluating language technology module) (voir aussi la page L'accord entre annotateurs, dans le module L'évaluation des technologies langagières).

Written in English. The French version was automatically generated and I have not revised it. Rédigé en anglais. La version française a été générée automatiquement et je ne l'ai pas révisée. Updated 7 October 2026

Key pointsL'essentiel

La reconnaissance d’entités nommées trouve les passages d’un texte qui sont des noms propres et attribue à chacun un type, par exemple personne, organisation ou lieu.
Définir une tâche, c’est décider ce qui compte comme une bonne réponse. Certains cas limites sont réglés par les consignes d’annotation, certains restent difficiles pour les personnes comme pour les programmes, par exemple l’endroit où un nom s’arrête, et d’autres sont difficiles surtout pour les programmes, par exemple le type d’un nom.

Ce que fait la tâche

Dans la phrase En mars, Marie Tremblay a quitté Hydro-Québec pour l’Université McGill, à Montréal, on reconnaît sans effort quatre noms : une personne, deux organisations et une ville. La reconnaissance d’entités nommées consiste à faire la même chose automatiquement : trouver chaque passage d’un texte qui est un nom propre et en indiquer le type (Figure 2figure 2).

Click the drawing, or a line below, to build it up stage by stage. Cliquez sur le dessin, ou sur une ligne ci-dessous, pour le construire étape par étape.

Figure 2. Une phrase et la sortie de la reconnaissance d'entités nommées : quatre passages, chacun avec un type.

NLPTAL DefinitionDéfinition · named entity recognition (NER)reconnaissance d'entités nommées (REN) · fr: reconnaissance d'entités nommées· en : named entity recognition

The task of finding the spans of a text that are proper names, and labelling the category, most often a person, a location or an organization.Tâche qui consiste à repérer dans un texte les segments qui sont des noms propres, et à en étiqueter la catégorie, le plus souvent une personne, un lieu ou une organisation. (Jurafsky & Martin, 2026, ch. 18)

NotesRemarques A named entity is, roughly, anything that can be referred to with a proper name, and the label is commonly extended to dates, times and amounts. Labelling the category is part of the task as it is standardly defined; finding the spans without typing them is a separate, narrower task. Two things make it hard: deciding where an entity starts and stops, and deciding which type it is, since the same name can be a person, an airport or a school.Une entité nommée est, en gros, tout ce à quoi on peut renvoyer par un nom propre, et l'étiquette s'étend couramment aux dates, aux heures et aux montants. L'étiquetage de la catégorie fait partie de la tâche telle qu'elle est définie habituellement ; repérer les segments sans les typer est une tâche distincte, plus étroite. Deux choses la rendent difficile : décider où une entité commence et se termine, et décider de son type, puisqu'un même nom peut désigner une personne, un aéroport ou une école.

Quatre types sont les plus courants : les personnes, les organisations, les lieux et les entités géopolitiques comme les pays. La tâche est souvent élargie aux dates, aux heures et aux sommes d’argent, qui ne sont pas des noms au sens strict (Jurafsky & Martin, 2026). Les applications ajoutent leurs propres types, par exemple des produits, des œuvres d’art ou, en médecine, des gènes et des protéines.

Là où la tâche se complique

La tâche paraît simple parce que lire un nom est simple pour vous. La Figure 3figure 3 montre une phrase annotée par trois personnes : elles s’accordent sur le fait que Marie Tremblay est une personne, et divergent sur cinq points, numérotés au-dessus de la phrase.

La phrase Le Centre universitaire de santé McGill a embauché la Dre Marie Tremblay, de Washington, en mars, annotée trois fois. La première personne annote Centre universitaire de santé McGill comme organisation, Dre Marie Tremblay comme personne, Washington comme lieu et mars comme date. La deuxième annote McGill comme organisation, Marie Tremblay comme personne et Washington comme organisation, et n'annote pas mars. La troisième annote Centre universitaire de santé McGill comme organisation, avec McGill annoté comme seconde organisation à l'intérieur, Marie Tremblay comme personne, Washington comme lieu et mars comme date. Au-dessus de la phrase, le chiffre 1 marque McGill, Dre et mars, le chiffre 2 marque Centre universitaire de santé et Washington. — Figure 3. Une phrase, annotée par trois personnes. Les chiffres renvoient aux lignes du tableau ci-dessous.

Les difficultés de la tâche sont de trois sortes. Le tableau ci-dessous les range avec les cas de la figure et d’autres exemples.

Difficulté	Exemples	Pour les personnes	Pour un programme
① Réglée par les consignes d’annotation	Dre fait-il partie du nom ? mars compte-t-il ? McGill s’annote-t-il aussi à l’intérieur du nom plus long ? Ailleurs : le statut des titres de fonction, des produits ou des surnoms.	La plupart sont faciles quand les consignes sont claires ; là où elles ne disent rien, les personnes divergent aussi.	Tout dépend de ce que couvrent ses règles, ou de la présence de ces cas en nombre suffisant dans ses exemples d’entraînement, et de la facilité à les reconnaître dans le texte.
② Difficile pour les personnes comme pour les programmes	L’endroit où le nom s’arrête : le centre universitaire de santé ou l’Université McGill dont il relève, deux organisations différentes ; trouver où un nom commence et où il finit fait partie de la tâche (Jurafsky & Martin, 2026). Washington : la ville, l’État ou, par raccourci, le gouvernement américain.	Divergent même avec des consignes, parce que la phrase se lit de deux façons.	Même difficulté : rien dans la phrase ne tranche.
③ Difficile surtout pour les programmes	Washington est un président, une ville ou une équipe sportive selon la phrase (Jurafsky & Martin, 2026). Un nom jamais vu : une nouvelle entreprise, un nom d’une autre langue, un nom écrit sans majuscule.	Hésitent rarement quand la phrase règle le type.	Doit avoir appris quels mots du contexte signalent quel type : un contexte inhabituel l’induit en erreur, et un nom inconnu lui offre moins d’indices (see also the Features for language page, in the Foundations of AI & NLP module) (voir aussi la page Les attributs pour la langue, dans le module Fondements de l'IA et du TAL).

Trois sortes de difficultés en reconnaissance d'entités nommées.

Les personnes qui annotent un texte pour produire les bonnes réponses suivent les consignes (see also the gold standard page, in the Evaluating language technology module) (voir aussi la page L'étalon de référence, dans le module L'évaluation des technologies langagières) et ne s’accordent pourtant pas toujours. Leur degré d’accord sert de point de comparaison pour le score de tout programme, et leur désaccord est un facteur important dans l’évaluation des systèmes de TAL (see also the Agreement between annotators page, in the Evaluating language technology module) (voir aussi la page L'accord entre annotateurs, dans le module L'évaluation des technologies langagières).

Written in English. The French version was automatically generated and I have not revised it. Rédigé en anglais. La version française a été générée automatiquement et je ne l'ai pas révisée. Mise à jour 7 octobre 2026

Sources

Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/

Sources

Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models. Online draft, 3rd edition. https://web.stanford.edu/~jurafsky/slp3/

Named entity recognition: one task up closeLa reconnaissance d'entités nommées : une tâche vue de près

What the task does

Where it gets hard

Ce que fait la tâche

Là où la tâche se complique

Sources

Sources

Spotted an error? Une erreur ?

Named entity recognition: one task up closeLa reconnaissance d'entités nommées : une tâche vue de près

What the task does

Where it gets hard

Ce que fait la tâche

Là où la tâche se complique

Sources

Sources

Named entity recognition: one task up closeLa reconnaissance d'entités nommées : une tâche vue de près