神经网络凭借优异的性能在很多领域上得到了研究和应用,但现有的神经网络模型存在理论缺陷,无法有效把握知识之间的结构化联系,也不具有产生结构化行为的能力,且可解释性差。本课题对基于记忆网络的命名实体识别进行研究并推出命名实体神经推理机框架,在命名实体识别领域对如何在深度学习结构中支持关系推理和组合泛化,从而进行更复杂、可解释和更灵活的自动化推理模式做出尝试。本课题研究在序列任务上引入记忆网络模块对实体进行存储和整理,并对实体关系进行人工设计的建模,在此基础上利用推理模型实现不同局部决策间的联系和借鉴,采用多轮解码构建深层结构,将实体上的推理信息逐层递进以学习到因果关系,从而在神经网络的框架内完成对人类阅读理解过程的模拟,充分理解实体并在文本序列的全局上保持实体的一致性。本课题研究的重点主要包括以下三个方面:1)在序列模型中引入记忆网络模块,并通过对神经网络运算过程的分析得到实体的表示,对实体信息进行有效存储;2)结合先验知识,以可人工设计的形式将抽取出的实体进行关系建模,促使神经网络通过简单的实体关系学习到整体复杂的因果关系;3)通过引入符号化操作和推理模型,以端到端的形式,在神经网络的框架下完成实体决策间的推理和理解。通过这样的设计实现了人工构造与端到端学习的结合,同时也实现了神经网络与符号化操作的结合,利用各自的优势,在命名实体识别任务上完成了可解释性强的因果推理。本文分别在英文与中文两个数据集进行了实验,都达到了目前的最优效果。