随着社会数字化的推进,传统金融行业与互联网技术的融合不断加深,新兴互联网金融为金融行业发展注入新的活力。命名实体识别技术可以从海量的金融信息中挖掘出有效的信息,在促进智慧金融发展、提升金融服务质量、满足多元化投融资需求等方面发挥积极作用。然而,现阶段的命名实体识别模型针对中文互联网金融领域的研究较为匮乏,不能有效识别出金融实体,进而影响金融行业获取信息的效率。本文结合中文互联网金融领域文本语言结构特点以及实体在文本中离散分布的特点,构建并改进了基于深度学习的互联网金融命名实体识别模型,基于该命名实体识别模型,设计并实现了一个面向互联网金融领域的可视化及文本标注系统。本文具体工作如下:（1）针对传统实体识别模型无法充分使用词内信息和挖掘局部语义特征的问题,本文结合金融文本的强领域性以及中文语法语义的特殊性,提出基于融合多层多级别特征ALBERT的中文互联网金融命名实体识别模型。通过对原生ALBERT内部网络进行改造,将其低层次网络捕获的字词级别特征融合到高层次网络中,以弥补高层次网络丢失的字词特征。使用改造后的ALBERT模型分别按照字、词级别对文本进行嵌入表示,并使用拼接的方式融合字词两种级别的特征向量,进而得到融合多层多级别特征的特征向量。为进一步学习文本上下文语义特征,本文选择双向长短期记忆网络（Bi LSTM）作为语义编码层模型。最后使用条件随机场（CRF）对中文互联网金融文本进行标注。实验结果表明,在中文互联网金融数据集上,本文模型的精确率、召回率和F1分数分别达到了92.82%、91.09%和91.95%。（2）针对中文互联网金融文本中实体离散分布的特点,以及（1）中Bi LSTM的长序列问题和无法突出关键实体的问题,本文引入注意力机制并对其进行改进,提出融合多粒度特征的多头自注意力机制,并应用到命名实体识别模型中。将Bi LSTM输出的语义特征向量划分为不同大小的子窗口,采用分段最大池化策略融合子窗口内的特征,得到具有顺序信息的多粒度特征向量。多头注意力机制以多粒度特征向量为输入,能够细粒度地关注离当前令牌（token）较近区域内的特征信息,粗粒度地关注离当前token较远区域内的特征信息。基于改进的注意力机制,模型不仅能够捕获全局上下文信息,同时还能够更多地关注金融文本中的关键实体。实验结果表明,在中文互联网金融数据集上,添加了融合多粒度特征的多头自注意力机制的命名实体识别相比于未添加的模型,其各项指标均有上升,其中F1分数的提升达到了2.54%。（3）基于上述研究成果,设计并实现了面向互联网金融领域的可视化及文本标注系统。该系统共分为五个模块,分别为数据输入模块、命名实体识别模块、互联网金融实体可视化模块、互联网金融文本标注模块以及数据存储模块。数据输入模块用于获取互联网金融文本以及用户上传的待标注文本,并将数据转发给命名实体识别模块。命名实体识别模块是系统上层应用的核心基础,主要用于从金融文本中识别金融实体,并将识别结果根据功能的不同返回给可视化模块或文本标注模块。可视化模块采用图表的方式表示金融实体以及实体的统计信息。文本标注模块通过调用命名实体识别模块为用户提供数据标注服务并提供下载功能。数据存储模块用于存储系统运行时产生的数据。功能测试结果表明,该系统具有可靠性与友好性。