命名实体识别算法一般使用训练数据中出现的实体词汇来构建词表，然后将词表中的词作为特征进行标注。所以，对于未登录词，算法会将它们视为未知实体，通常使用特殊标记来表示。

  有几种常见的处理未登录词的方法：

  1. 基于规则的方法：通过定义特定规则，例如正则表达式、词典匹配等，来捕捉未登录词。这种方法可以针对特定领域或特定类型的实体进行处理，但是需要手工规定规则，不适用于泛化到其他问题或领域。

  2. 基于统计的方法：使用词频等统计信息来对未登录词进行处理。例如，使用词频阈值过滤掉低频词，将其视为未知实体。这种方法简单快速，但可能会漏掉一些实体。

  3. 基于上下文的方法：通过利用上下文信息来推断未登录词的实体类型。例如，通过上下文中的其他实体词来推断未登录词的类型。这种方法可以提高未登录词的识别准确率，但也存在上下文信息不足或不一致的问题。

  4. 基于深度学习的方法：近年来，深度学习已成为命名实体识别中的主流方法。通过使用深度神经网络，可以端到端地学习特征表示和实体边界识别。对于未登录词，深度学习模型可以通过学习上下文信息的表示来更好地进行识别。

  需要注意的是，处理未登录词是一个挑战性的问题，没有一种通用的方法适用于所有情况。根据具体的应用场景和数据集特点，选择合适的方法进行处理是很重要的。