随着信息技术的飞速发展与普及,互联网上充斥着各种各样的海量信息。信息爆炸对每个人来说都是一把双刃剑,一方面它使人们获取的信息越来越丰富,另一方面却增加了人们获取高质量信息的难度。面对海量的文本信息,如何准确而高效的识别出带有语义的信息成为自然语言处理方向的一个难题。人们根据不同的使用场景设置了不同的学术研究任务,传统的研究思路是不同的任务设置一套对应的处理模型,将命名实体识别和语义角色标注两个任务分隔开来对待,这不仅会导致一个面向用户的系统需要维护多个子模型,带来系统复杂冗余、难以维护的问题,而且忽略了任务之间的联系。此外,传统的研究大多集中在英文数据集上,所提出的方法往往都会出现在英文数据集上效果理想,而在中文场景中出现不同程度的劣化现象。针对上述问题,本文提出构建一套适用于命名实体识别和语义角色标注两个任务的神经网络算法,并在此基础上探索中文数据场景下的有效语义特征。具体贡献如下:(1)设计一套适用于命名实体识别和语义角色标注两个任务的神经网络。本文提出了一套多任务通用的神经网络架构,使用Highway-LSTM网络改进传统的堆栈式网络,进一步缓解长距离依赖问题,以此捕获更多的上下文语义特征。在使用条件随机场捕获句子级别的语义特征时,本文通过设置受约束的概率转移矩阵,避免出现非法标签序列问题。(2)研究中文应用场景下提升网络模型效果的有效特征。现有的研究大多集中在英文数据集上,所提出的方法往往都会出现在英文数据集上效果理想,而在中文场景中出现不同程度的劣化现象。本文提出使用卷积网络对词汇提取字级别的语义特征。同时,任何语言的组织都遵从一套固有的语法规则,词性是词语在语法结构上的等价物,因此本文提出了使用词性作为输入语义特征的方法。(3)设计并实现了一套命名实体识别和语义角色标注的通用标注系统。体现研究成果价值的最好方式是工业实践落地,基于这个目标,本文设计并开发了一套信息抽取系统。