命名实体识别是指将非结构化文本中的命名实体进行定位和分类为预先定义的类别,它是自然语言处理中一项至关重要的基础任务,被应用到了很多高级别的自然语言处理任务之中。在农业信息化时代,互联网上储存着大量的非结构化农业文本,如何将这些杂乱无章的农业文本转化成高质量、结构化的农业信息和农业知识,是实现智慧农业的关键。因此,农业领域命名实体识别是一个非常有研究意义的课题。本文主要研究如何利用神经网络模型从农业文本中识别出与农业领域有关的9类命名实体,并且从识别效果、模型训练时间、模型解码时间和显存占用等多个方面来分析所提出模型的优缺点。本文的工作内容和创新点可以总结为以下三点:(1)本文首先选择目前比较流行的(Bi-directional Long Short-Term Memory,BiLSTM)双向长短期记忆网络与条件随机场(Conditional Random Field,CRF)相结合的神经网络架构作为基准模型,然后对其进行优化改进,提出了一种基于稠密连接的深层BiLSTM模型——DC-BiLSTM,并引入了注意力机制对文本中的实体片段进行关注,加大实体部分特征和非实体部分特征的区别,使实体部分相对于非实体部分更加的‘突出’,方便CRF对于各个字符标签的预测。(2)提出了一种基于深层注意力机制的命名实体识别模型——Deep Attention,将BiLSTM和多头注意力机制相结合,BiLSTM用来获取上下文之间的关联,使得特征向量具有时序性;利用多头注意力机制来学习不同子空间的特征信息,将词义、句法和不同层次的语义特征映射到多个多维向量空间中。实验结果表明Deep Attention模型在识别效果、模型训练时间、模型解码时间和显存占用等多个方面都取得了较优的效果。(3)本文将三种命名实体识别模型集合在一起,设计并开发了一个命名实体识别系统,并且详细介绍了其中的模型训练模块、模型测试模块、命名实体识别模块等。该系统对用户输入的文本进行自动识别,从中抽取出与农业有关的命名实体,最终通过网页的形式展现识别结果。