同义实体识别任务是指在数据中发现同一命名实体的不同的指代名称的任务。同义实体识别可以有效解决数据冲突、去除冗余数据,进一步提高数据集成度,保证数据的准确性、一致性和完整性,同时也可以有效促进问答系统等应用领域的发展。传统的同义实体识别方法通常只能利用有限的文本信息,识别效果不佳。基于搜索引擎的同义实体识别方法,相比于传统的方法识别效果有较大的提升,但是仍然存在一些问题,基于此,本文开展同义实体识别任务研究工作。(1)针对现有的基于搜索引擎的同义实体识别方法没有充分利用实体信息的问题,本文提出一个新的命名实体之间相似度计算方法VarSim函数,该相似度方法利用搜索引擎返回的实体页面摘要信息,并分析了摘要文本内容中的隐藏有效信息,再结合特征融合技术,提出基于乘法特征融合同义实体识别方法SER-mult-FF。该方法保留并综合了不同命名实体特征对同义命名实体的重要鉴别信息,提高了识别效果。最后通过实验验证了 SER-multi-FF方法进行同义实体识别的优越性。(2)针对现有的基于搜索引擎的同义实体识别方法有手动设计的特征和特定任务专家知识的相似性度量要求,导致该类方法具有较大局限性,本文提出了带属性内容感知实体网络表示的同义命名实体发现算法(CAAEE),该方法结合Network Embedding和命名实体信息构建两个异构网络,通过两个异构网络的联合学习学得命名实体的低维特征向量表示,然后将低维向量空间中实体的距离作为实体间的相似性度量。该方法可以从命名实体的属性和文本描述内容中自动提取有效语义特征,不需要进行手工的特征设计和领域专家知识,提高了同义实体识别的准确性和效率。