随着“工业4.0”、“互联网+”和“大数据”的迅速发展,网络信息呈爆炸式增长,如何从浩如烟海的互联网数据中抽取有价值的信息是当前研究的热点。信息抽取的主要目的是从海量自然语言文本中分类提取出用户感兴趣的框架信息,基本任务包括命名实体识别与事件抽取,为产业知识图谱的构建提供重要的技术支持,而事件主体抽取作为事件抽取的关键子任务,扮演着同等重要的角色。论文主要研究内容为命名实体识别和事件主体抽取,研究成果如下:(1)提出一种基于Attention-Bi LSTM深度神经网络的命名实体识别模型。应用Bi LSTM神经网络自动学习文本的隐含特征,可以解决传统识别方法存在长距离依赖等问题;引入注意力机制对文本全局特征做重要度计算,获取文本局部特征,解决了传统深度学习方法不能充分提取特征的问题;在预训练过程中加入维基百科知识,进一步提升了命名实体识别系统的性能。实验表明,所提方法在SIGHAN2006 Bakeoff-3评测数据集上获得了较好的识别性能。(2)提出一种基于词典和字词联合特征的深度学习模型进行领域命名实体识别。首先构建领域词典匹配句子中词语的类别特征,同时将文本转换为字特征和词特征联合的向量特征,并且在过程中加入POS信息。然后将以上特征联合馈送到Attention-Bi LSTM深度神经网络模型进行领域命名实体识别。通过对《中国包装网》新闻数据集的实验,所提方法在领域命名实体识别中优于传统方法。(3)提出一种基于门控多层次注意机制的ELMo-BGRU神经网络模型进行事件主体抽取。使用ELMo预训练模型生成上下文相关的动态词向量,在一定程度上缓解了一词多义的问题;利用BGRU神经网络捕获时间序列中长距离依赖关系并减少梯度消失问题;为了处理句子中存在事件模糊性的问题,采用门控多层次注意机制动态融合每个词的句子级信息和文档级信息。使用CCKS2019任务四的数据集进行验证实验,结果表明,文章方法的抽取效果明显优于传统抽取方法,可以有效解决事件主体抽取的问题。