命名实体识别是自然语言处理的一个重要研究方向,也是许多智能化系统的关键技术。近些年神经网络得到快速发展,基于深度学习的命名实体识别方法成为新的研究热点。本文面向智能车险电话报案系统中对出险地址进行定位的应用需求,研究如何从用户对所在位置的表述中,对地址实体进行识别并分类的问题。本文主要工作如下:(1)针对地址名过多、用户表述方法杂乱的特点,设计了一个高性能的多层神经网络。该网络以BERT词向量作为模型输入,使用双层双向LSTM和CRF模型进行特征提取。同时,将基于地址库的先验知识引入地址识别模型中,通过对已有地址库条目的精确匹配,得到训练语料的初步识别结果,并将该结果与文本词向量拼接起来,作为模型的输入,引导模型朝着先验知识的方向进行预测。(2)在训练数据的获取上,提出了一套完整实用的训练集生成与优化方案。针对现有语料无法覆盖足够多的地址名和用户表述方式的问题,采取了地址名填充用户表述语言模板的方法,进行训练语料的生成。此外,由于该方案得到的语料可能无法完全符合标注规范,本文对训练语料进行了多轮优化,从而使模型可以取得更好的识别效果。(3)进行了模型超参数对照实验、训练语料优化实验以及多模型对照实验,并将模型应用于实际工程。超参数对照实验对比了不同的学习率、LSTM向量维度、训练语料数量以及DropOut参数,找到较为适合本文后续实验的超参数;多轮训练语料优化实验研究了训练语料质量以及先验知识加入对模型效果的影响;多模型对照实验参考了其他命名实体识别研究,考察不同深度学习模型在地址识别任务中的效果。得到最优的地址识别模型后,本文将模型应用于实际工程项目,验证了模型的可行性。实验结果表明,本文所提出的地址识别模型,在地址数量多、用户表述杂乱的应用背景下,可以取得F1值超过90%的实验效果。在智能车险报案系统实际运行中,本文设计的地址识别模型可以高效地从用户表述中识别出地址信息,在整个系统的运行中发挥了重要的作用。