命名实体识别（NER）是一项机器学习任务，传统上依赖于监督的学习和注释数据。获取此类数据通常是一个挑战，尤其是在医疗，法律和金融领域等专业领域。这些通常称为低资源域，该域构成了长尾实体（long-tail entities），这是由于可用的数据稀缺。为了解决这个问题，越来越多地采用了数据增强技术来从原始数据集生成其他培训实例。在这项研究中，我们在两个广泛使用的NER模型（BI-LSTM+CRF和BERT）上评估了两种突出的文本增强技术，提到替换（Mention Replacement）和上下文词更换（Contextual Word Replacement）的有效性。我们对来自低资源域的四个数据集进行了实验，并探讨了训练子集大小和增强示例数量的各种组合的影响。我们不仅确认数据增强对较小的数据集特别有益，而且还证明没有普遍数量的增强示例数量，即，NER从业人员必须尝试不同的数量才能对其项目进行微调。