随着大数据时代的到来,各个领域积累了大量的文献。面对纷繁复杂的文献,我们希望能快速、清楚地了解相关领域的主要研究内容和核心知识。因此,迫切需要从大量领域文献中识别并抽取知识实体,并以此为基础开展领域知识组织、知识图谱构建、知识演化分析等应用。目前,主流的有监督学习方案在领域实体识别任务上面临的最大问题是严重依赖人工标注语料。一方面,导致了领域实体识别任务的成本昂贵;另一方面,使得各种模型应用到细分领域时都要进行有针对性地调整,模型的领域泛化能力较差。针对这一问题,本文以领域小规模知识库为指导,把领域实体识别任务划分为实体边界识别和实体分类两个子任务,以充分地利用领域现存资源。实体边界识别被视为分词任务,通过利用大规模领域文献关键词和术语表能够很好地解决;实体分类实质上是词组的多分类任务,通过已有的领域术语表低成本地构建训练数据,再结合不同的模型和文本特征,也能够很好地解决。为验证本文方法体系的有效性,以人工智能领域为例,对文献中的问题实体和方法实体进行识别。实验结果表明,在融合了不同文本特征的多种模型中,SVM的性能最佳,P、R、F1值分别达到了0.8526、0.8496和0.851。最后,将最优模型应用于全量数据抽取问题实体和方法实体,并以此为基础开展人工智能领域的知识演化分析。实践中,分别从宏观、中观、微观三个层面展示了面向问题解决的人工智能领域知识演化情况:宏观层面上,利用不同时间片段中的实体关系网络对比分析整体领域知识演化情况;中观层面上,利用高频问题和方法实体的演化热力图揭示两种知识实体的演化趋势;微观层面上,以“计算机视觉”为具体样例,展示了个体问题解决方法的演化热力图及其几种典型的演化趋势。