中文命名实体识别任务是自然语言处理的一项重要的基础任务,常用在信息抽取、信息检索、机器翻译、问答系统、知识图谱构建等复杂任务中,作为结构化信息提取的必不可少的重要组成部分。在社交媒体领域,每天都会产生海量的数据,从中提取出各类实体对舆情监测、市场营销等方面具有重大意义。在中文社交媒体领域,存在着用词不规范、谐音、歧义以及结构复杂多变的特点,并且语料规模有限,标注数据匮乏。本文所用的数据集均来自于开源的命名实体识别语料。包括Boson数据集、CLUE数据集、Literature数据集、MSRA数据集、People’s Daily数据集、Resume数据集、Weibo数据集。其中Weibo数据集为的社交媒体数据集,包含人名、地名和机构名等标签,一共1809个样本。本文将所有数据集做预处理,统一转换为BIO标签格式,并划分训练集、验证集和测试集。本文为中文命名实体识别任务构造了以BERT-LSTM-CRF为基础的LACD-NER模型。模型分为4层:数据层、输入层、编码层和解码层。数据层将原始数据做预处理后进入输入层;输入层利用词汇增强技术来提取更丰富的语义特征,先采用BERT相关的预训练模型将字符转化为词嵌入Char Embedding,同时对每个字符提取词嵌入Word Embedding,为了解决中文歧义、谐音等问题,输入层还加入了汉字的拼音、字形等特征Fea Embedding;编码层采用双向LSTM编码,能够同时提取正反两个方向的语义特征,由参数生成器生成参数;解码层采用CRF解码,保证输出结果的合理性。为了解决语料缺乏的问题,本文基于Cross-Domain跨领域学习框架,将命名实体识别任务与语言模型任务同时训练,借助共享输入层实现跨领域迁移。在跨领域迁移过程中,当目标领域没有标注语料时只能进行无监督训练。为了解决这个缺点,本文集成了预标注模块,将LTP、Han LP、LAC、Fool NLTK四个开源工具进行了集成。本文利用Bagging方法将不同工具的预测结果进行汇整,通过投票的方式得到预标注语料,并在损失函数计算时采用负采样损失降低漏标注标签的影响。本文构建的基于词汇增强的跨领域命名实体识别模型LACD-NER通过有监督的多任务学习,在Weibo语料上的F1值比LSTM-CRF基础模型提升约4%。另外,本文设计的预标注模块能够在社交媒体等较少标注的领域通过加入伪标签实行监督训练。