蒙古文命名实体识别是蒙古文自然语言处理的一项基础任务,其识别性能会直接影响后续处理任务或相关应用的性能。目前,基于深度学习的蒙古文命名实体识别研究工作相对较少,而采用传统机器学习方法在识别效果上仍不够理想。鉴于深度学习在其他语言命名实体识别中的优良表现和广泛应用,本文以双向长短时记忆网络-条件随机场模型(Bidirectional Long Short-term Memory-Conditional Random Fields,BLSTM-CRF)作为基线模型,同时结合蒙古文的构词特性,提出了融合语言模型和注意力机制的蒙古文命名实体识别方法。论文的主要工作如下:首先,本文提出了融合语言模型的蒙古文命名实体识别模型(Mongolian Named Entity Recognition-Language Model,MNER-LM)。针对蒙古文命名实体识别中标注语料稀缺的情况,本文通过训练语言模型捕获蒙古文文本中蕴含的语法和句法等语言学特征信息,并将这些特征信息引入BLSTM-CRF模型中来完成对模型仅从有限标注语料中学习到的信息进一步扩充。实验结果表明,MNER-LM模型的平均F值相比基线模型提高了0.86,并在训练数据匮乏的情况下,具有很好的鲁棒性。其次,针对BLSTM-CRF模型的输入层中蒙古文词素向量和字符级向量间存在信息表达能力不均衡的现象,本文使用注意力机制动态组合两种特征向量,增强模型输入层的信息表达能力,减轻不均衡现象带来的影响,提出了融合注意力机制的蒙古文命名实体识别模型(Mongolian Named Entity Recognition-Attention,MNER-ATT),其F值相比基线模型提高了0.5,验证了模型的可行性。最后,本文在MNER-LM模型的基础上,使用注意力机制改进模型编码层,减轻编码层中特征向量信息不对称现象带来的影响,提出了融合语言模型和注意力机制的蒙古文命名实体识别模型(Mongolian Named Entity Recognition-Language Model-Attention,MNER-LM-ATT)。实验结果表明,MNER-LM-ATT模型能进一步提升系统性能,其平均F值相比基线模型提高了1.13。