命名实体识别任务是在文本中识别并标注命名实体的过程,是自然语言处理任务中一项基础而重要的任务,如在机器翻译、自动问答系统和信息检索等系统中有广泛应用。中文命名实体识别任务存在分词、歧义、词语嵌套和结构形式复杂等难点,一直以来是文本处理问题中的研究热点和难点。实验数据集来自网络公开的新闻文本数据。首先,收集并预处理了数据;然后,使用随机欠采样和过采样的方法,解决了分类数量不均衡的问题。实验使用了BIO格式的标签,识别5类命名实体,并标注了1 1种标签。为提高模型的准确率和灵活性,基于RNN-CRF框架,提出Bi-GRU-Attention模型。GRU的神经单元结构更简洁,降低了网络的复杂性。提出结合注意力的机制,改善了标签无序的问题,并使模型的结构更加灵活。接着设计并实验了这一模型:以传统的LSTM-CRF模型为基础对照实验,对比并优化了本文提出的Bi-GRU-Attention模型。实验数据表明模型比基础模型实验的训练时间缩短,并且识别5类命名实体的F1值提升了0.3%。本文还提出了基于改进的ELMo可移植模型,用于解决少量标注数据问题和适应多种领域的需要。在ELMo模型中,设计了直通结构,解决深层卷积神经网络退化的问题。在ELMo模型移植于命名实体模型过程中,设计了衔接层和输出调整层。衔接层使用映射函数解决了预训练网络和功能网络使用向量长度不一致的问题。输出调整层利用字在词语中的位置信息,解决了输出的词向量和字的标签对应关系。实验结果表明使用改进的ELMo可移植模型以较小的训练代价移植到命名实体识别任务,并比对照实验的F1值提高了1.18%。