---
title: "Varlık ismi tanıma (NER) nedir? Arapça ve LLM'ler | BroadRouter"
description: "Varlık ismi tanıma, metindeki kişi, kurum ve yer adlarını bulur. NER nasıl etiketlenir ve puanlanır, Arapça NER veri setleri ve LLM ile NER."
url: https://broadrouter.com/tr/glossary/named-entity-recognition/
lang: tr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/glossary/named-entity-recognition/) (güncelleme: 2026-11-15).

# Varlık ismi tanıma (named entity recognition, NER)

Güncellendi 2026-11-15

Varlık ismi tanıma (NER), metindeki adları bulup her birini kişi, kurum veya konum gibi bir türle etiketleme görevidir. Klasik sistemler her token'ı etiketler; LLM'lerden ise genellikle varlıkların bir listesini JSON olarak döndürmeleri istenir ve bu liste daha sonra kaynak metne karşı kontrol edilir.

Diğer adları: NER, varlık ismi tanıma, adlandırılmış varlık tanıma, varlık çıkarımı, isimlendirilmiş varlıklar, named entity recognition, entity extraction, named entities

Bir sözleşmeden veya haber metninden her kişiyi, şirketi ve yeri, her biri için bir türle birlikte çıkarın. İşte NER budur ve bir LLM’e verilen en yaygın işlerden biridir.

## Nasıl çalışır

Klasik kıyaslama testi CoNLL-2003 ortak görevidir. İngilizce Reuters haberleri ve Almanca Frankfurter Rundschau metinleri, dört tür (kişiler için PER, ORG, LOC ve “names of miscellaneous entities that do not belong to the previous three groups” (çeviri: önceki üç gruba girmeyen çeşitli varlıkların adları) için MISC) ve IOB etiketleri kullanmıştır: her kelime bir türün B- veya I- etiketini ya da dışarıda anlamına gelen O etiketini alır. Puanlama varlıklar üzerinden F1’dir ve bir varlık yalnızca referansla tam olarak eşleşirse sayılır.

IOB biçiminde Arapça bir örnek:

| Token | Etiket |
| --- | --- |
| زار | O |
| خالد | B-PER |
| العتيبي | I-PER |
| مدينة | O |
| الرياض | B-LOC |

(“Halid el-Uteybi Riyad şehrini ziyaret etti.”)

Arapçanın kendi veri setleri var. Yassine Benajiba’nın oluşturduğu ve 2008’den beri standart bir referans olan ANERcorp, haber ajansı metinlerinden oluşur; CAMeL Lab’in üzerinde uzlaşılmış bölümünde CC BY-SA 4.0 lisansıyla 125.102 eğitim kelimesi ve 25.008 test kelimesi vardır. Wojood (Jarrar ve ark., 2022) yaklaşık 550 bin token MSA ve lehçe metni, 21 varlık türü ve yaklaşık 75 bin varlık içerir; bunların %22,5’i iç içedir. AraBERT tabanlı modeli 0,884 mikro F1 puanı almıştır.

LLM’lerde yaygın kurgu farklıdır: token başına etiket değil, bir liste istersiniz.

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

## Neden önemli

NER arama filtrelerini, CRM kayıtlarını, [PII](https://broadrouter.com/tr/glossary/pii/) maskelemeyi ve bilgi grafiklerini besler. LLM ile başlıca riskler şunlardır:

-   **Uydurulmuş veya düzenlenmiş varlıklar.** Bir model metinde olmayan bir ad döndürebilir ya da adın yazımını “düzeltebilir”. Her iki tarafa da [Arapça metin normalizasyonu](https://broadrouter.com/tr/glossary/arabic-text-normalization/) uyguladıktan sonra her varlığın kaynakta geçtiğini kontrol edin. Bu bir tür [halüsinasyon](https://broadrouter.com/tr/glossary/hallucination/) kontrolüdür.
-   **Etiket kayması.** Tür listesini bir şemada sabitleyin ki model yeni bir tür uyduramasın.
-   **Kıyaslama testleri sizin veriniz değildir.** Herkese açık etiketler nadiren sizinkilerle örtüşür. Her [eval](https://broadrouter.com/tr/glossary/eval/) çalışmasında olduğu gibi bir örneklemi elle etiketleyin ve precision, recall ve F1 puanlayın.

## BroadNet Inference’ta

BroadNet’in bir NER uç noktası yoktur; NER’i POST /v1/chat/completions üzerine kurarsınız. BroadNet’in API referansı, [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) ve [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) için [yapılandırılmış çıktıyı](https://broadrouter.com/tr/glossary/structured-output/) belgeler; modeli bir varlık listesine ve sabit bir tür kümesine bu şekilde bağlarsınız. Görsel olarak gelen belgeler için Qwen3.8 27B görsel girdi de kabul eder.

BroadNet modelleri için bir NER kıyaslama sonucu yayımlamaz. [Arapça varlık ismi çıkarımı yazısında](https://broadrouter.com/tr/blog/arabic-named-entity-extraction-llm/) bir istem, harekeleri yok sayan metin aralığı kontrolleri, Hicri tarih işleme ve kendi örnekleminizde çalıştırabileceğiniz bir puanlama betiği bulunur.

## Sık sorulan sorular

### NER ile varlık çıkarımı arasındaki fark nedir?

Araştırmada NER genellikle her token'ı bir etiketle işaretlemek anlamına gelir. Varlık çıkarımı ise çoğu zaman bir varlık listesi döndürmektir; çoğu LLM işlem hattı da görevi böyle kurgular. Gerçekte yayına aldığınız kurguyu puanlayın.

### Modelin döndürdüğü varlık neden Arapça metnimle eşleşmiyor?

Çoğu zaman model kopyalarken bir hemzeyi değiştirmiş, tatvili kaldırmış veya hareke eklemiştir. Varlığın metinde geçtiğini kontrol etmeden önce hem varlığı hem kaynağı normalize edin.

### İç içe NER (nested NER) nedir?

Başka varlıkların içindeki varlıklardır; örneğin bir kurum adının içindeki şehir adı. Wojood bunları etiketler; varlıklarının %22,5'i iç içedir.

## Ayrıca bakın

-   [Yapılandırılmış çıktı (structured output)](https://broadrouter.com/tr/glossary/structured-output/) (terim)
-   [JSON Schema (JSON şeması)](https://broadrouter.com/tr/glossary/json-schema/) (terim)
-   [Arapça metin normalizasyonu (normalization)](https://broadrouter.com/tr/glossary/arabic-text-normalization/) (terim)
-   [PII (kişisel olarak tanımlanabilir bilgi)](https://broadrouter.com/tr/glossary/pii/) (terim)
-   [Eval (LLM değerlendirmesi)](https://broadrouter.com/tr/glossary/eval/) (terim)
-   [Halüsinasyon (yapay zeka halüsinasyonu)](https://broadrouter.com/tr/glossary/hallucination/) (terim)
-   [LLM ile Arapça varlık çıkarımı: JSON, tarihler ve denetimler](https://broadrouter.com/tr/blog/arabic-named-entity-extraction-llm/) (yazı)
-   [LLM ile Arapça metin sınıflandırma: duygu, niyet, önceliklendirme](https://broadrouter.com/tr/blog/arabic-text-classification-llm/) (yazı)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

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

**Kaynaklar**

-   [Tjong Kim Sang ve De Meulder, Introduction to the CoNLL-2003 Shared Task: Language-Independent Named Entity Recognition (CoNLL 2003, ACL Anthology) (kontrol tarihi 2026-11-15)](https://aclanthology.org/W03-0419/)
-   [Tjong Kim Sang ve De Meulder, CoNLL-2003 makalesi, tam metin (arXiv cs/0306050, ar5iv HTML) (kontrol tarihi 2026-11-15)](https://ar5iv.labs.arxiv.org/html/cs/0306050)
-   [CAMeL Lab, ANERcorp eğitim/test bölümü indirme sayfası (kontrol tarihi 2026-11-15)](https://camel.abudhabi.nyu.edu/anercorp)
-   [Jarrar, Khalilia ve Ghanem, Wojood: Nested Arabic Named Entity Corpus and Recognition using BERT (LREC 2022, ACL Anthology) (kontrol tarihi 2026-11-15)](https://aclanthology.org/2022.lrec-1.387/)
