命名实体识别是指从自然语言文本中识别有特定意义的实体,例如人名、地名、组织机构名等。随着互联网的飞速发展,命名实体识别的需求不仅局限于传统的三类实体类型,进一步拓展到了对于各个专业领域命名实体的识别。在大规模数据上,基于深度学习的方法在命名实体识别任务上能够得到较好的效果。但是由于标注资源的限制,在目标领域中常常无法获得大规模的有标注数据,直接应用深度学习的方法无法获得比较好的效果。因此本文研究跨领域的命名实体识别方法。跨领域命名实体识别是指利用源领域有标注数据和目标领域无监督数据来增强目标领域的命名实体识别效果,存在着以下几个难点:1)需要找到领域间的实体的共通特征表示;2)预训练任务与命名实体识别任务目标不相关;3)源领域、目标领域模型结构难以完全统一。本文的研究工作如下:1.基于序列标注的跨领域命名实体识别。本文首先对预训练的语言模型进行了研究,说明了领域预训练可以有效提升命名实体识别的效果,然后在序列标注模型的基础上研究对比了源领域数据的不同利用方式对跨领域命名实体识别效果的影响,最后研究对比了基于参数生成的跨领域命名实体识别方法。2.基于掩码关键词预训练的跨领域命名实体识别。本文从关键词与命名实体关系的角度出发,发现两者具有较高的重合度,由于传统的预训练过程与下游的命名实体识别任务是无关的,这显然不利于目标领域的效果提升,因此本文利用领域无关的关键词抽取模型对不同目标领域的无监督数据进行关键词抽取,提出在预训练过程中重点对关键词进行掩码预测的方法。实验结果证明掩码关键词预训练能够有效提升目标领域命名实体识别的效果。3.基于阅读理解的跨领域命名实体识别。本文将基于阅读理解的命名实体识别引入到跨领域任务中,实现了源领域、目标领域模型结构的一致。研究了基于阅读理解的跨领域命名实体识别的优势,对比了不同的问题构造方式。由于目标领域的数据规模有限,模型容易产生过拟合现象,因此本文将对抗训练任务引入到基于阅读理解的跨领域命名实体识别模型中。相比目前已知最好结果,本文方法在五个目标领域上平均提升了1.91,在生物医学领域提升了0.61。证明了基于阅读理解和对抗训练任务的跨领域命名实体识别方法的有效性。