随着互联网的蓬勃发展,各行各业都纷纷开始利用计算机技术来提升工作效率。合同管理是企业管理中极为重要的一个环节,其质量的好坏将直接影响企业的发展前景。利用人工对合同进行重复繁杂的审查工作极易出现合同审查不严谨的问题,因此可以对合同内容进行实体要素抽取研究,从而提高合同审查的准确率,降低企业因合同审查不严谨而带来的商业风险,具有很好的商业用途以及社会价值。本文主要工作如下:1.构建合同文本实体识别数据集。由于合同涉及到保密问题,包含较多隐私信息,目前市面上没有公开的可以进行合同命名实体识别研究的数据集,因此本文研究的一项重要任务就是构建出合同文本命名实体识别数据集。首先定义合同实体类别,利用精灵标注助手对合同文档进行人工标注,采用BIO标注方式,将人工标注完成后导出的合同进行实体标签分配,同时删除文中的空格及特殊符号,将数据处理成可以作为模型输入的数据格式,从而构建合同文本命名实体识别数据集。2.融入注意力机制对Bert-Bi LSTM-CRF模型进行改进。本文首先在Bi LSTM-CRF模型的基础上引入Bert预训练语言模型,强化了词向量的语义信息,很好的解决了一词多义的问题。将Bert训练得到的词向量输入到Bi LSTM神经网络层,通过对序列的上下文信息进行建模学习,为每个标签输出具体的分值,得到序列的全局特征信息;在Bi LSTM层之后融入注意力机制,利用注意力机制轻易捕获重点信息的优点,强化序列的局部特征信息;最后进入CRF层,通过在上一层输出的实体标签之间引入一定的约束关系,保证了模型最终输出标签的合理性,得到概率最大的标签合集。模型的最终识别效果其F1值达到了86.35%。3.设计实现合同文本命名实体识别系统。本文采用B/S架构,利用Django框架进行合同命名实体识别系统的开发。系统框架共包括三个模块,分别为数据层、业务层和Web交互层,并且对业务层中的四个功能模块进行了详细的设计分析与实现。其中语料库构建模块实现合同数据集构建;模型训练模块通过设置不同参数进行模型训练;数据处理模块提取不同格式的合同文档中的内容到当前页面;实体识别模块对输入的待识别的合同语句或片段进行命名实体识别,并将合同实体要素提取的结果反馈到当前页面中。通过对合同文本实体识别结果的可视化,更加直观地观察本文模型对合同实体要素提取的有效性。