渔业标准是渔业生产的重要指导性文件,渔业标准命名实体识别是构建渔业标准内容服务系统的基础工作,机器翻译、信息抽取、问答系统等相关工作都依赖渔业标准的命名实体识别任务。随着计算性能的发展,深度学习方法在图像文本领域取得的重大突破,使用深度学习方法称为研究自然语言处理任务的主流方法。随着渔业信息量的不断增长,和渔业领域的特殊性,没有领域的数据集和模型来实现渔业标准命名实体识别。因此,本文将结合渔业标准文本的特殊性,研究基于深度学习的渔业标准命名实体识别方法。具体工作如下:(1)渔业标准文本标注方法的研究。针对渔业标准中命名实体识别需要利用文本结构特征进行识别、而传统的BIO标注方法无法表达实体之间的结构信息这一问题,提出了E-BIO的标注方法,该方法通过增加文本标题标签使模型可以学习到实体的上下文结构信息。经实验证明了提出的E-BIO标注方式可以有效提升具有结构特征的渔业标准文本实体的识别精度。(2)融合注意力机制的BiLSTM+CRF渔业标准命名实体识别模型研究。针对渔业标准文本序列长度较长,存在序列语义稀释的问题,在BiLSTM+CRF模型中引入注意力机制,在特征提取阶段通过生成不断变化的语义向量来解决语义稀释问题。实验表明引入注意力机制后,不同类别的渔业标准命名实体的准确率均达到了90%以上,召回率均在85%以上,相较于传统BiLSTM+CRF模型取得了较大提升。(3)渔业标准命名实体识别语料数据增广方法研究。针对渔业标准文本语料库中水产品名称等命名实体存在样本分布稀疏现象、模型无法学习较多的实体特征而导致该类实体识别效果差的问题,在对渔业标准中水产品名称等命名实体的特点进行分析的基础上,提出了融合同类词替换和基于上下文特征保护的随机删除的渔业标准命名实体识别语料数据增广方法,该方法将“水产品名称”视为目标词进行同类水产品名称词语替换,在保护上下文特征的情况下对句子进行随机删除操作以增加样本多样性。实验表明,本研究提出的两种数据增广算法可以有效的提升该类实体的识别效果。