命名实体识别(NER)是自然语言处理技术的一个重要分支,通过识别文本中的实体并标注出来,起到从自然语言中突出重点,提取用户的关键需求的目的,方便系统进一步的处理,实现用户期望的功能。智能语音电视是传统电子产品与AI结合的发展方向的代表,在人机交互上,传统的操作面板式控制机器的方式在一定的范围内将会被语音控制、手势识别和人脸识别等更加智能化的方式所代替,解放用户的双手,是人们的生活更加便捷。随着深度学习的发展,命名实体识别技术的研究有了新的思路,以神经网络为基础的命名实体识别技术在性能上有了更大的提升,智能语音电视指令识别的数据结构简单,数据量大,所以将这一结合应用在智能语音电视上,必将有非常可观的效果。本论文针对智能语音电视领域内的命名实体识别任务,研究了深度学习下的命名实体识别模型的设计与实现,在阐述了词向量的分布式表示、seq2seq、长短期记忆网络(LSTM)、条件随机场(CRF)、注意力机制(Attention)的概念、结构和原理的基础上,介绍了深度学习、Tensor Flow、爬虫的相关技术,分析了智能语音电视系统的需求,分别用活动图,实体联系图,数据流图对系统的数据和过程进行建模,对于特定领域的智能语音电视的数据集进行了收集、构造、分类、预处理等操作,给出了智能语音电视指令识别的模型结构设计,设计了整个网络的层数、神经元数目以及其他相关参数。在深度学习的方法下,实现了基于BiLSTM的智能语音指令识别的算法设计和代码实现,可视化识别的结果,测试了该方法的性能指标,针对Attention机制设计了消融实验,将LSTM与循环神经网络的其他变体,如GRU做了对比试验,统计了相关的实验结果。基于BiLSTM的命名实体识别在智能语音电视领域内的应用表明BiLSM、Attention和条件随机场的结构提取实体的可行性和高效性,功能测试的实验表明能在非常高的准确率下实现了指令的识别与标注功能,为下一步运用该结果实现智能语音电视系统的完整功能奠定了基础。性能测试的实验表明,Attention机制的有效性,加入了Attention机制的模型效果还是要优于没有加入Attention机制的模型效果,不过在本实验中效果不明显,数据集中序列较短,Attention机制只有在序列过长时才会体现出它的优势,另一个对比实验就是RNN单元的不同,本项目是LSTM,与之对比的是GRU,在性能指标上表现的相差不多。不过两者各有优劣,GRU在参数上数目少于LSTM,模型收敛速度快,但是如果数据集规模非常大时,LSTM的表达能力会更好。在本篇论文内,智能语音电视的命名实体识别任务的成功应用,证明了深度学习提取特征效果以及Attention机制结构化选取子集,避免高维运算,为整个模型的性能贡献了一份力量,期待未来会有更多技术与深度学习技术相结合,为人类创造便捷的AI+生活。