學了文字分類（Text Classification），可以自動幫文章加上類別標籤。
但很多時候，我們不只是想知道文章的類別，而是希望直接從文字中抽取出具體資訊。
例如：
一篇新聞中有哪些人名？
文件裡出現了哪些地點與時間？
電影評論裡提到哪些公司或品牌？
這就是命名實體識別（Named Entity Recognition, NER）的目標。

一、什麼是命名實體識別？
命名實體識別（NER） 是自然語言處理（NLP）的任務，用來從文字中辨識並分類實體。
常見的實體類型包括：
PERSON：人名
ORG：組織、公司
GPE：地名（城市、國家）
DATE：日期或時間
MONEY：金額

例如：
"Apple plans to open a new office in Singapore in 2025."

NER 的輸出可能是：
Apple → ORG
Singapore → GPE
2025 → DATE

二、NER 的應用場景
新聞資訊抽取：自動抽取新聞中的人物、地點、事件。
金融應用：提取公司名稱、股市數據、金額。
醫療領域：識別病名、藥品名稱。
知識圖譜：構建人名-組織-事件之間的關係網絡。

三、Python實作：使用spaCy進行NER
spaCy是一個強大的NLP函式庫，支援快速的NER。

#安裝套件
#pip install spacy
#python -m spacy download en_core_web_sm

import spacy

#載入英文模型
nlp = spacy.load("en_core_web_sm")

#測試文本
text = "Elon Musk founded SpaceX in California in 2002 and acquired Twitter in 2022."

doc = nlp(text)

#輸出實體
for ent in doc.ents:
print(ent.text, ent.label_)

範例輸出：
Elon Musk PERSON
SpaceX ORG
California GPE
2002 DATE
Twitter ORG
2022 DATE

學會了命名實體識別（NER），理解了它能自動從文本中抽取出人名、地名、組織、時間等實體資訊。
這項技術在新聞、金融、醫療等領域都有極高的實用價值。