本体作为描述一个领域的术语集合,在构建领域知识图谱的工作中具有明显的优势,因此对领域本体概念抽取技术的研究具有重要的意义。在信息抽取的思想中,本体概念抽取可以通过命名实体识别技术来实现。作为信息抽取技术的子任务之一,命名实体识别技术已被广泛应用到各类自然语言处理任务中。随着深度学习的发展,神经网络已经应用到命名实体识别模型中并取得了较好的效果。但在中文领域实体识别任务,尤其是一些专业领域复合实体的识别上,现有的一些命名实体识别方法仍然存在精确度较差、效率较低的问题。针对这些问题,本文进行了以下的工作:(1)提出了一种包含门控机制的卷积神经网络(CNN)结合条件随机场(CRF)的模型用于命名实体识别任务。该模型主要由词向量训练与嵌入模块、门控CNN模块、CRF模块组成。在词向量训练与嵌入模块中,对文本数据集进行分词与标注处理,利用Word2vec工具将文本转为词向量并嵌入卷积神经网络;在门控CNN模块中,利用门控机制优化后的CNN来进行文本分类操作,得到上下文表示;最后通过CRF模块进行解码,得到最终的标注序列。在命名实体识别任务数据集上与传统模型进行了对比测试,本模型获得了微平均91.05%的准确率、89.93%的召回率、90.49%的F1值,验证了本模型在中文命名实体识别任务中的有效性。(2)在上述模型的基础上,本文针对中文领域复合实体识别难的问题,结合集成多卷积核的卷积神经网络(e-CNN)的思想,提出了一种门控集成CNN-CRF模型用于中文领域命名实体识别。在门控CNN模型的基础上,通过对卷积层设定不同大小的卷积窗口,将得到的特征信息集成后组成更丰富的信息,解决了由于实体边界划分不准确导致的复合实体识别难的问题。在中文医疗领域文本数据集上进行了测试,本模型获得了微平均87.90%的准确率、89.10%的召回率、88.50%的F1值,相比以往常用的基于LSTM的模型,在同一数据集上F1值有2.11%的提升,验证了模型在中文领域复合实体识别方面的优越性。