---
title: "ما هو التعرّف على الكيانات المسماة (NER)؟ العربية ونماذج LLM"
description: "يستخرج التعرّف على الكيانات المسماة أسماء الأشخاص والمنظمات والأماكن من النص. كيف يُوسَم NER ويُقيَّم، ومجموعات بياناته العربية، وكيف تنفّذه بنموذج LLM."
url: https://broadrouter.com/ar/glossary/named-entity-recognition/
lang: ar
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/glossary/named-entity-recognition/) (حُدّث في 2026-11-15).

# التعرّف على الكيانات المسماة (NER)

آخر تحديث 2026-11-15

التعرّف على الكيانات المسماة (NER) هو مهمة إيجاد الأسماء في النص ووسم كل منها بنوع، مثل شخص أو منظمة أو مكان. تَسِم الأنظمة التقليدية كل رمز، أما نماذج LLM فيُطلب منها غالبًا إرجاع قائمة بالكيانات بصيغة JSON، تُطابَق بعد ذلك مع النص المصدر.

يُسمّى أيضًا: التعرف على الكيانات المسماة، استخراج الكيانات، الكيانات المسماة، التعرف على الأسماء العلم، NER، named entity recognition، entity extraction، named entities

استخرج كل شخص وشركة ومكان من عقد أو خبر صحفي، مع نوع لكل منها. هذا هو NER، وهو من أكثر المهام التي تُسند إلى نماذج LLM شيوعًا.

## كيف يعمل

المعيار التقليدي هو المهمة المشتركة CoNLL-2003. استخدمت أخبار Reuters الإنجليزية ونصوص Frankfurter Rundschau الألمانية، وأربعة أنواع (PER للأشخاص، وORG، وLOC، وMISC لـ “names of miscellaneous entities that do not belong to the previous three groups” (ترجمة: أسماء كيانات متفرقة لا تنتمي إلى المجموعات الثلاث السابقة))، ووسوم IOB: كل كلمة إما B- أو I- لنوع ما، أو O إن كانت خارج أي كيان. ويكون التقييم بمقياس F1 على مستوى الكيانات، ولا يُحتسب الكيان إلا إذا طابق المرجع تمامًا.

مثال عربي بصيغة IOB:

| الرمز | الوسم |
| --- | --- |
| زار | O |
| خالد | B-PER |
| العتيبي | I-PER |
| مدينة | O |
| الرياض | B-LOC |

(“زار خالد العتيبي مدينة الرياض.”)

وللعربية مجموعات بياناتها الخاصة. ANERcorp، التي أنشأها ياسين بن عجيبة وأصبحت مرجعًا معتمدًا منذ 2008، نصوص إخبارية؛ ويضم التقسيم المتفق عليه لدى CAMeL Lab نحو 125,102 كلمة للتدريب و25,008 كلمة للاختبار بموجب CC BY-SA 4.0. أما Wojood (Jarrar وآخرون، 2022) فتضم نحو 550 ألف رمز من نصوص الفصحى واللهجات، و21 نوعًا من الكيانات، ونحو 75 ألف كيان، 22.5% منها متداخلة. وحقق نموذجها المبني على AraBERT قيمة 0.884 في micro F1.

ومع نماذج LLM تختلف الصياغة الشائعة: اطلب قائمة، لا وسمًا لكل رمز.

```json
{"entities": [
  {"text": "خالد العتيبي", "type": "PERSON"},
  {"text": "الرياض", "type": "LOCATION"}
]}
```

## لماذا يهم

يغذّي NER مرشحات البحث، وسجلات CRM، وحجب [البيانات الشخصية (PII)](https://broadrouter.com/ar/glossary/pii/)، ورسوم المعرفة البيانية. ومع نماذج LLM، المخاطر الرئيسية هي:

-   **كيانات مختلقة أو معدّلة.** قد يعيد النموذج اسمًا غير موجود في النص، أو “يصحّح” إملاءه. تحقّق من أن كل كيان موجود في المصدر، بعد [توحيد النص العربي](https://broadrouter.com/ar/glossary/arabic-text-normalization/) في الجانبين. وهذا نوع من فحص [الهلوسة](https://broadrouter.com/ar/glossary/hallucination/).
-   **انحراف التسميات.** ثبّت قائمة الأنواع في مخطط، حتى لا يخترع النموذج نوعًا جديدًا.
-   **المعايير ليست بياناتك.** نادرًا ما تطابق التسميات العامة تسمياتك. وسِّم عينة يدويًا وقِس الدقة (precision) والاستدعاء (recall) وF1، كما في أي [تقييم](https://broadrouter.com/ar/glossary/eval/).

## في BroadNet Inference

لا تملك BroadNet نقطة نهاية لـ NER؛ بل تبنيه على POST /v1/chat/completions. ويوثّق المرجع التقني لـ BroadNet [المخرجات المنظَّمة](https://broadrouter.com/ar/glossary/structured-output/) لنموذجَي [GLM 5.3](https://broadrouter.com/ar/models/glm-5.3/) و[Qwen3.8 27B](https://broadrouter.com/ar/models/qwen3.8-27b/)، وبها تُلزم النموذج بقائمة كيانات وبمجموعة ثابتة من الأنواع. وللمستندات التي تصل صورًا، يقبل Qwen3.8 27B أيضًا مدخلات الصور.

لا تنشر BroadNet أي معيار NER لنماذجها. وتحتوي [مقالة استخراج الكيانات المسماة من النص العربي](https://broadrouter.com/ar/blog/arabic-named-entity-extraction-llm/) على أمر جاهز، وفحوص للمواضع تتجاهل التشكيل، ومعالجة للتواريخ الهجرية، وسكربت تقييم تشغّله على عينتك.

## أسئلة شائعة

### ما الفرق بين NER واستخراج الكيانات؟

يعني NER في الأبحاث عادةً وسم كل رمز بتسمية. أما استخراج الكيانات فيعني غالبًا إرجاع قائمة بالكيانات، وهكذا تصوغه معظم مسارات LLM. قيّم الصيغة التي تطلقها فعلًا.

### لماذا لا يطابق كيانٌ أعاده النموذج نصّي العربي؟

كثيرًا ما يكون النموذج قد غيّر همزة، أو حذف التطويل، أو أضاف التشكيل أثناء النسخ. وحّد الكيان والنص المصدر كليهما قبل التحقق من وجوده.

### ما هو NER المتداخل؟

كيانات داخل كيانات أخرى، مثل مدينة داخل اسم منظمة. وتوسم مجموعة Wojood هذه الحالات؛ و22.5% من كياناتها متداخلة.

## انظر أيضًا

-   [المخرجات المنظَّمة (Structured output)](https://broadrouter.com/ar/glossary/structured-output/) (مصطلح)
-   [مخطط JSON (JSON Schema)](https://broadrouter.com/ar/glossary/json-schema/) (مصطلح)
-   [توحيد النص العربي (Arabic text normalization)](https://broadrouter.com/ar/glossary/arabic-text-normalization/) (مصطلح)
-   [معلومات التعريف الشخصية (PII)](https://broadrouter.com/ar/glossary/pii/) (مصطلح)
-   [التقييم (Eval)](https://broadrouter.com/ar/glossary/eval/) (مصطلح)
-   [الهلوسة (Hallucination)](https://broadrouter.com/ar/glossary/hallucination/) (مصطلح)
-   [استخراج الكيانات المسماة من النص العربي بنموذج LLM: JSON والتواريخ](https://broadrouter.com/ar/blog/arabic-named-entity-extraction-llm/) (مقال)
-   [تصنيف النصوص العربية بنموذج LLM: المشاعر والنية وفرز التذاكر](https://broadrouter.com/ar/blog/arabic-text-classification-llm/) (مقال)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-glossary-named-entity-recognition&utm_content=page-cta) ·

**المصادر**

-   [Tjong Kim Sang وDe Meulder، Introduction to the CoNLL-2003 Shared Task: Language-Independent Named Entity Recognition (CoNLL 2003، ACL Anthology) (تم التحقق في 2026-11-15)](https://aclanthology.org/W03-0419/)
-   [Tjong Kim Sang وDe Meulder، ورقة CoNLL-2003، النص الكامل (arXiv cs/0306050، بصيغة HTML على ar5iv) (تم التحقق في 2026-11-15)](https://ar5iv.labs.arxiv.org/html/cs/0306050)
-   [CAMeL Lab، صفحة تنزيل تقسيم التدريب والاختبار لـ ANERcorp (تم التحقق في 2026-11-15)](https://camel.abudhabi.nyu.edu/anercorp)
-   [Jarrar وKhalilia وGhanem، Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT (LREC 2022، ACL Anthology) (تم التحقق في 2026-11-15)](https://aclanthology.org/2022.lrec-1.387/)
