近年来由于互联网行业的飞快发展,促进了互联网行业与金融行业的相互融合,由此成千上万的互联网金融企业应运而生,随之带来的是海量的与互联网金融相关的自然语言数据。对海量的互联网金融数据进行中文命名实体识别已经成为自然语言处理领域不可或缺的一环。命名实体识别是指在文本中识别出文本中的各种特定实体,它是自然语言处理领域最为基础的问题之一,而现在已知的命名实体识别模型对互联网金融实体还不能高效率地识别,如果不能精准地识别互联网金融实体,会影响国家对互联网金融企业的监管工作。近年来,以深度学习为主的实体识别方案逐渐在传统的命名实体识别领域大放异彩,但对特定领域的中文命名实体识别任务仍存在一些问题:传统的模型无法有效地解决中文句子中一个词语含有多种含义的问题;针对特定领域如互联网金融领域的识别需要特定的知识。基于以上问题,本文对传统的基于深度学习的命名实体模型做了改进,并用专业的互联网金融数据集进行训练、识别,最终构建了一套基于深度学习的互联网金融实体识别系统。具体工作如下:第一,针对基准模型Bert-Bi LSTM-CRF缺少对中文的词语语义信息的获取方法,引入基于全词覆盖策略的Bert-WWM模型,能够有效地获取中文词语级别的语义信息。第二,本文针对传统的Bi LSTM模型由于参数过多,模型过于复杂导致计算时间过长的问题,引入了Bi GRU模型,减少了模型参数,可以大大减少模型的计算量。第三,本文提出了一种基于Bert-WWM-Bi GRU-Att-CRF的互联网金融实体识别模型。为解决Bi GRU网络对于当前输入序列在编码层存在着注意力分散问题,在现有模型上加入一层注意力机制层,能够有效地筛选出同一输入序列中的重要信息和次重要信息。第四,本文通过上述提出的实体识别模型,搭建了互联网金融实体识别系统,可首先通过网络爬虫爬取网络上庞大的金融信息,然后通过上述实体识别模型进行互联网金融实体识别。经实验验证,本文模型相比于现有模型更具有优势,F1值相比于基线提高了1.99%。