辞書を利用してテキストコーパスに含まれる固有表現のマッチングを行うことで，人手のアノテーション無しに，固有表現認識の学習データを自動生成できるDistant Supervisionが注目されている．これらのモデルはマッチングしなかった全トークンに一般用語ラベルを付与する．しかし，一般的に，辞書が全ての固有表現を網羅するのは困難であるため，マッチングしなかったトークンを無視することはFalse Negativeラベルを生む問題がある．本稿では，このようなFalse Negativeを含むアノテーションデータを「不完全データ」と呼ぶ． 「不完全データ」の固有表現認識に関する従来研究の多くは，ラベルが1つに定まらないトークンに対して，可能性のあるラベル候補全てをトークンに付与し，ラベル候補の確率分布を学習する．特に，本研究のベースモデルは，ラベル候補の最適な確率分布をk分割交差検証で求め，従来研究を上回る性能を出した．しかし，依然としてベースモデルには，3つの課題がある． 1つ目の課題は，確証バイアスによるノイズ伝播である．系列ラベリングの学習とノイズ緩和処理を同一プロセス，かつ同一情報資源で行なっており，学習初期段階で生じたノイズが学習後半まで伝播する問題がある．2つ目の課題は，RecallとPrecisionのトレードオフ問題である．不完全データでの学習において，ベースモデルは従来手法と比較して，Recall は大幅に向上し，完全データで学習した従来手法のRecallに迫る高い値を出している．しかし，Precisionに関しては，従来手法よりも低下している．3つ目の課題は，専門用語の単語集合のうち，評価データの対象とする固有表現集合は一部に過ぎない問題である．ベースモデルのFalse Positiveは，文脈情報と文字情報の観点では専門用語だが，評価データの対象とする固有表現ではない場合が多い．この問題を上記の素性のみで解くことは困難である． 提案手法では，辞書と不完全データを有効活用し，ベースモデルのRecallを保持しつつ，Precisionの改善を試みた．実験結果より，提案手法はRecallを保持しつつ，Precisionを改善でき，さらには，ゴールドデータで学習した場合のモデル性能に迫る認識性能を示せた．