近年来,随着互联网的迅速发展以及移动智能终端的普及,越来越多的人开始习惯通过微博平台来发布和传播信息,微博文本信息呈现爆炸式增长。从海量微博文本中获取有效信息越来越受研究者们的关注,基于微博文本的关系抽取、事件跟踪、舆情分析等研究应运而生,命名实体识别作为这些研究的基础工作就显得尤为重要。因此,从数量庞大的微博文本信息中快速有效地进行命名实体识别成为自然语言处理领域一个新的研究热点。本文针对微博文本灵活多变、语言逻辑不规范、公开语料少和不具备词边界特征等特点,通过引入词性特征和多任务学习的方式对现有模型进行改进,并提出了以下两种命名实体识别模型:(1)微博文本语法不规范且多由短语组成,严重影响了现有针对规范、长句文本设计的命名实体识别算法的性能。针对上述问题,本文提出了一种融合词性信息的微博文本命名实体识别模型。针对微博文本中命名实体多为名词词性这一特点,该模型选取分词工具Py NLPIR进行文本的词性信息提取,并以词性信息作为特征与单词嵌入向量结合输入Bi LSTM-CRF模型的方式,实现命名实体识别模型的改进。实验结果表明,融合词性信息的命名实体识别模型,显著提高了微博文本命名实体识别的准确率。(2)本文针对微博文本公开标注语料少、词边界不易识别的特点,设计了一种基于多任务学习的命名实体识别模型。该模型将分词任务和命名实体识别任务共同训练,通过底部Bi LSTM层及参数共享的方式,实现任务之间的特征表示共享,缓解了命名实体识别任务中标注语料少的问题,利用多任务学习的窃听机制,改进模型的泛化能力。通过多组对比实验证明,基于多任务学习的命名实体识别模型很好地学习到分词任务中的词性及词边界信息,有效地提高了命名实体识别效果。最后,将提出的两种微博文本命名实体识别模型的原型进行实现,并将测试结果进行可视化展示。