随着互联网的快速发展,社交媒体上充满了大量的用户数据信息,如何更好地对这些信息进行有效挖掘、利用、监督管理,受到越来越多研究学者的关注。命名实体识别任务是自然语言处理任务中的一个基础性工作,对后续研究工作的顺利开展起到了关键性作用,因此面向用户生成内容的命名实体识别有着非常重要的意义。本文采用外部知识方法对用户生成内容进行命名实体识别,主要研究内容分为以下两个部分:1.由于用户生成内容文本数据具有噪音和非规范化特点,并且文本数据中实体的数量较少,这使得神经网络在训练时实体语义信息匮乏,导致了命名实体识别的准确率不高。为了提高识别效果,本文在Bi-LSTM-CNNs-CRF模型基础上设计一种改进的方法,即基于外部知识增强的神经序列标注模型(Knowledge-enhanced Neural Sequence Labelling Model,KNSLM)。通过在神经网络模型中构建外部知识层,引入外部信息帮助模型识别更多的实体,并且设计了外部实体知识获取方法及其融合方法。该方法在用户生成内容数据集上进行对比实验,实验结果表明,当实体数量为20000个实体向量融入KNSLM模型时,其识别的精确率、召回率、F1值均有所提高。同时也验证了随着外部实体数量的增加,KNSLM模型的识别效果也会提高。2.由于命名实体识别方法大部分都是采用LSTM等循环神经网络,但是该网络所消耗的时间较长,对处理长距离依赖问题效果不好。Transformer算法相比较于LSTM更能显示出特征提取的高效性,并且基于Transformer算法的预训练模型更好适用于下游任务,但是预训练模型很少考虑到外部知识信息。为了将知识图谱信息融合到预训练模型中去,本文设计了一种外部知识融合方法,最后将融合知识的预训练模型运用在面向用户生成内容的命名实体识别任务中。实验结果表明,相比较于没有融合知识的预训练模型,命名实体识别的效果有一定提高。