近年来,随着国家大力推进新基建工程建设,国家的政务服务方式发生了翻天覆地的变化,其中招投标方式尤为显著,电子招投标平台已发展为成熟系统,极大地提高了国内企业招投标的效率。面对如此庞大的市场,以及招投标电子化的不断推进,如何对海量的投标数据进行更加高效的利用,成为众多企业面前的一道难题。同时,对物料中的实体进行识别有利于对行业整体态势分析把控,具有很大的实用价值。早期,企业通常使用基于规则的方法对物料进行识别,这种方式不仅耗费了大量的人力资源,面对庞大的数据量,规则也难以做到全面覆盖。随着技术的不断发展,采用深度学习的方法对物料数据进行识别已经成为未来招标物料实体识别的发展趋势。命名实体识别任务中通常有基于字符级向量和基于词级向量两种方式,基于字符级的方式往往无法学习到足够的文本语义信息,基于词级向量的方式往往需要分词,而分词效果会在很大程度上影响识别效果。传统的识别方法无法获取动态词向量,从而无法解决一词多义问题,并且没有考虑中文特有的字形特征。同时,在招标物料领域的命名实体识别研究较少,学者只针对某一类少量数据进行实验验证,难以充分学习语义信息,导致泛化能力较差。因此,针对上述问题本文做出以下工作:（1）构建招标物料语料库:由于该行业的特殊性以及物料种类繁多、数据冗杂,电子招投标领域难以对所有种类的物料进行有效的整合,缺乏权威的公开数据集,本文以招投标公司提供的采购数据为基础,通过爬取各大招标网站的公开数据,最终收集到8万条不同格式、书写各异的物料数据,作为语料库构建的基础。（2）BERT-Bi LSTM-CRF模型:提出一种基于BERT预训练模型命名实体识别方法。本文通过引入预训练模型BERT提取字向量,有效地解决了传统语言模型向量表达过于单一的问题,实现了物料实体的有效识别。（3）W-BERT-Bi LSTM-CRF模型:提出一种融合五笔字型特征的命名实体识别方法。基于预训练模型的基础上,本文采用CNN对汉字的五笔字型特征进行提取,将字型特征与BERT模型提取的字符向量进行融合,融合向量作为双向LSTM模型的输入,最后经过CRF模型进行约束,得到序列标注的最优解。结果表明,五笔字型特征能够有效提高物料实体的识别精确率。（4）“智能物料”在线识别平台:在上述工作的基础上,本文搭建了“智能物料”在线识别网页平台,以可视化工具的方式为用户提供一种便捷的物料识别标准化处理手段,为后期物料分析和采购策略提供精准的数据支持。