命名实体识别是自然语言处理领域的核心基础性任务之一,其任务是从文本中提取特定类型的实体。在信息检索、问答系统、信息抽取、文本挖掘、舆情分析等下游自然语言处理任务中具有重要的科学意义和广泛的应用价值。从目前已有的研究成果来看,命名实体识别研究在专有领域(社交媒体、医疗领域)识别的结果,受困于高质量标注语料规模小的现状,对比传统领域性能更差。使得专有领域命名实体识别成为一个有挑战性的研究领域。如何进行命名实体识别的领域适应性迁移,提高专有领域模型的性能是本课题的主要研究内容。本文主要研究内容包括:(1)综述命名实体识别的研究背景及发展历程,分析比较常见命名实体模型的性能优劣,并阐述了迁移学习在命名实体识别领域适应性研究的可行性。(2)对基于深度学习的命名实体识别模型算法Bi LSTM-CRF模型进行归纳并改进,通过Glove语言模型将字符文本转化为低维稠密向量,同时利用双向长短期记忆网络提取字符级别的特征,将字词结合的向量表示利用CRF层计算并输出最优标记序列。构建端到端的实体识别模型。(3)设计并实现了ERNIE-Bi GRU-CRF模型。针对深度学习方法处理命名实体识别任务时,经典的词向量表示只能将其映射为单一向量,无法在上下文中表示出字的多义性这一问题,提出ERNIE-Bi GRU-CRF模型,该模型通过知识增强语义表示ERNIE预训练模型增强字的语义感知表示。引入多元数据知识生成语义向量,然后将字向量输入到GRU层提取特征,最后通过CRF层计算得到标签序列。(4)设计并实现了一种迁移学习神经网络模型TL-Bi LSTM-CRF。首先利用双向长短时记忆网络提取具有字符级别形态特征的字符向量,并结合具有语义、语序等特征信息的词向量作为输入,构建模型;其次在基本模型中引入词适应层,并通过典型相关性分析算法弥合源域和目标域词向量特征空间的差异,对模型进行迁移。以上模型都在相关数据集上进行的实验验证,以自然语言处理领域常用的召回率、准确率和F1值三种方式作为评价指标,实验结果表明,以上迁移学习的学习模型均有一定程度上的性能提高。验证了文中模型的可行性和有效性。