随着移动互联网和云计算的持续发展,人们的工作和日常生活中的很多活动都拓展到了互联网中。面对这些互联网产生的海量文本数据,如何提高信息抽取的准确性就成为了一个热门话题。命名实体识别作为信息抽取的重要内容,也随之成为相关研究领域的一个重要方向。近年来随着计算机性能的提升以及词的分布式表示的出现,深度学习逐渐成为命名实体识别的重要方法,尤其是使用神经网络和统计方法的混合模型,有着良好的识别效果和泛化能力。其中,神经网络性能的发挥依赖于文本词向量的表征。在词的分布式表示出现后的一段时间中,大多数网络模型都是使用静态词嵌入方法,例如Word2Vec和Glo Ve等。虽然这种静态嵌入方法比较简单有效,但是它无法解决自然语言中多义词问题,尤其是当多义词在不同的上下文中具有不同的含义时,会忽略其语境的不同而为其分配相同的词向量表示。针对上述问题,本文从模型词嵌入方向入手,提出一种基于BERT的中文命名实体识别方法。双向预训练语言模型BERT中使用了注意力机制,整体网络结构由Transformer堆叠而成,结合预训练中的两个任务可以很好地区分多义词,也具有更强的语言表征能力。本方法由双向预训练模型BERT、双向长短期记忆网络、条件随机场三部分组成。其中BERT作为词嵌入模型,为下游任务提供词向量,然后将产生的词向量作为双向长短期记忆网络的输入,学习文本序列中每个字词的标签分布。最后通过条件随机场进行句法限制,从而获得最好的序列标注,完成命名实体识别任务。除此之外,本文引入了一种针对BERT预训练任务的优化方案。在BERT的预训练任务中,会随机地遮盖句子中的部分字词,然后使用上下文信息去预测被遮盖字词。这种随机遮盖的方式没有考虑到中文词法的特殊性,可能导致句子中的词被部分遮盖,影响预训练任务效果。为了避免随机遮盖带来的这种弊端,本文在预训练中引入全词遮盖的方法,通过在预训练过程中加入中文分词,使其以完整语义的字词为单位进行遮盖,从而达到优化模型预训练过程的目的。本文实验从多个角度与其它模型算法进行对比分析,结果显示,本文使用的基于BERT联合双向长短期记忆网络和条件随机场的中文命名实体识别模型具有更好的识别能力,且在预训练中使用全词遮盖的方法可以优化BERT的预训练过程,提升模型整体的识别能力。