明喻识别需要判断输入句子的类别(即是否属于明喻句),并识别句中的明喻成分(如,本体和喻体),是一项具有重要研究价值的文本挖掘任务。明喻句是指使用“像”或“犹如”等比喻词将本体和喻体显式连接起来的一种比喻手法,常见形式是“A像B”。其中,“A”为本体,“B”为喻体。值得注意的是,本体和喻体通常是两种不同的事物。在明喻识别任务中,前人的研究工作表明明喻成分通常是一个名词短语。也就是说,词性信息对于明喻成分的识别相当重要。然而,主流的明喻识别模型通常只使用一个相同的静态词向量对词语进行表征,无法准确区分多义词在不同语境下的词性信息,从而导致模型难以识别其明喻标签。在本文中,多义词是指具有多种语义的一类词语,通常在不同的语境下具有不同的词性类别(如形容词,副词,名词或动词)。除此之外,主流模型基于循环神经网络及其变种进行模型设计,假设当前时刻的状态只与上一时刻的状态以及当前时刻的输入有关,无法显式建模句中任意两个词之间的依赖关系,存在全局依赖问题。当明喻句中的本体和喻体相距较远时,模型难以准确识别句中所有的本体和喻体。为缓解上述问题,本文提出一种新颖的神经网络框架。首先,在词嵌入层中采用显式词性集成技术对词向量和词性向量进行有机组合,丰富嵌入层的词表示,帮助模型更加精确地区分多义词的确切语义,从而降低多义词的干扰。接着,引入自注意力机制帮助模型建模输入句子中任意两个词语之间的显式依赖,从而缓解全局依赖问题。最后,本文根据提出的框架分别为明喻识别任务的两个子任务进行了详细的模型设计。为验证本文提出模型的有效性,我们在Liu提供的数据集上进行了大量的实验。实验结果表明,本文提出的模型在明喻识别任务上要明显优于之前state-of-the-art的方法。通过消融实验分析表明,显式词性集成技术和自注意力机制在明喻识别任务中都是非常有效的。具体地,在明喻句分类任务中,显式词性集成技术倾向于提升模型的召回率,而自注意力机制则倾向于提升模型的查准率;在明喻成分提取任务中,显式词性集成技术能够同时提升模型的召回率和查准率,而自注意力机制则倾向于提升模型的召回率。