命名实体识别是自然语言处理领域中的一项基本任务,主要负责识别出文本语料中的人名、地名等领域专有名词,在信息提取、机器翻译、知识图谱构建等任务中起着举足轻重的作用,在金融、生物以及医药等行业应用中也备受关注。一般而言,命名实体识别在模型训练前需要通过人工标注大量文本数据来保证样本的丰富性,之后再通过机器学习的方式训练标注器。目前,命名实体识别研究的主体大都为短实体,在标注语料数据丰富的领域,基于全监督学习的命名实体已经取得了较高的性能,由于标注数据过程耗时耗力,因此大部分领域中只存在部分标注数据。在标注数据不足的情况下,通常采用弱监督迭代学习的形式来逐步训练模型。本文的研究主要针对金融领域文本中存在复杂实体(本文均称为长实体)且标注数据不足的问题,目前常用的命名实体识别方案无法在该情况下有效识别出文本中复杂实体。针对由多个小实体序列组成的复合实体边界难以确定,导致识别精度下降的问题,本文提出了一种将长实体上下文语义关系确定与实体边界确认分离的方法。具体工作如下:(1)提出了基于长实体遮罩处理的语义模型。在训练前对语料中的长实体进行遮罩处理,通过Bi LSTM-CRF模型训练得到被遮罩长实体的上下文语义理解模型。(2)提出了基于序列模式的弱监督长实体边界确认模型。在小样本数据集中,以滑动窗口结合序列模式匹配的方式,找出目标长实体候选集,再通过(1)中得到的语义理解模型进行有效筛选与判定。(3)针对复杂实体在一定程度上影响弱监督训练效果,提出一种基于样本相似度量的评分机制的Optimized-Bootstrapping算法,通过在增量样本的选择优化,有效的提高弱监督迭代学习中增量样本的可靠性。本文以金融领域数据为实验数据集,对比了目前在命名实体识别中较为流行的模型,结果表明,在弱监督长命名实体识别上,所提方法相比于直接基于Bi LSTM-CRF实现的命名实体识别方法在小数据训练样本集中在性能上有了大幅的提高,并具有一定的泛化能力。