命名实体识别研究（Named Entity Recognition,NER）在自然语言处理领域中发挥着基础而关键的作用,同时也长期面临着技术难点。当前的研究方案依然无法有效解决实体OOV（Out of vocabulary）问题,并且大部分研究集中在平面的命名实体识别上,所提的序列标注模型无法用于解决实体的嵌套问题。先进而强大的预训练语言模型BERT推进了命名实体识别任务的发展,但BERT类的模型结构无法有效地区分局部上下文,且没有针对命名实体识别的预训练任务。因此,针对命名实体的嵌套和OOV问题以及BERT模型的不足,本文提出了基于知识嵌入和边界增强的嵌套命名实体识别模型。该模型基于BERT,在其嵌入层、结构层、输出层做出了相应改进:1.提出了实体知识嵌入方法。NER任务在实际应用中面临着实体频繁更新、OOV实体层出不穷的问题。越来越多的研究倾向依靠知识库来解决OOV问题,以知识库的迭代代替模型的迭代,从而实现对OOV实体的快速覆盖。因此本文提出了一种新型的知识嵌入方法,以在微调阶段将无监督的实体信息嵌入模型。该方法主要利用BERT模型中注意力机制和位置嵌入方法来实现点对点的知识嵌入,并借助BERT中下一句预测任务的输入结构,实现了实体知识与模型的有效融合。基于BERT base和BERT small,知识嵌入方法在5个公共基准数据集上均有提升效果。此外,该方法在OOV数据集上F1值提升了4.33%,说明该方法是对OOV问题的针对性解决方法,且达到了较好的效果。2.提出了三角交换机制。BERT模型中使用位置嵌入来获取单词之间的位置关系,但这种位置嵌入并没有刻画上文和下文位置的区别,导致模型建模不够准确。因此本文提出三角交换机制,通过改变模型的自注意力机制结构,增强模型对文本的特征表示。其原理是在多头得到的同源注意力值矩阵之间按照一定规律做上下三角的交换,扩大注意力值动态变化范围,从而刻画上文和下文位置之间的区别。通过与BERT原始模型的实验对比,发现该方法对遮蔽词语言模型的预训练任务收敛速度和精度均有提升,证明该方法可以增强模型对局部上下文的表征能力。而且,将三角交换机制应用于NER任务中,在各个数据集上的实验表现都优于采用原生结构的模型,为模型带来了0.5%～1.0%的性能提升,这明确体现了该方法在NER任务上的优势。3.提出了边界检测与片段分类（B&S）的嵌套实体解析方法。对于嵌套实体的解析,目前很多方法都缺乏效率且忽视了实体的边界信息。本文将嵌套实体解析拆分为两个子任务:边界预测和片段分类。片段分类通常是将输入序列划分为不同区间的子序列进行分类,这明显可以加快模型预测的效率,但其区间阈值设为多少,在NER任务上则取决于实体的长度,即需要获取实体的边界。本文将边界检测与片段分类联合使用,该方法在ACE2005和GENIA数据集上的f1值分别为84.2%和78.6%,相比于仅基于片段的模型FOFE,分别提升了13.2%和7.2%。而且,基于BERT base,该方法在所有基线模型的对比中取得了当前的最优效果,表明该方法在提高模型效率的同时,还增强了模型对于实体识别的准确性。进一步地,本文通过适用性实验,发现该方法适用于各类NER任务。除以上单独验证实验外,综合应用实验表明,BERT base+B&S+知识嵌入的组合在5个基准数据集上的表现,超过了当前所有基线模型,在ACE2005和GENIA上f1值达到85.1%和79.8%,验证了本文所提模型对于解决实体的OOV问题和实体的嵌套问题的有效性。