齐玉东，丁海强，吴晋豫，司维超

(1.海军航空大学，山东 烟台 264001； 2. 92199部队, 山东 青岛 266000)

随着军队信息化水平的迅速提高，军事业务数据呈现爆炸式增长，“技术密集型”、“数据驱动型”特点日益突出。在军事数据中，大量信息以文本形式存在与使用，文本类型数据具有数量大、蕴含信息丰富、难以直接利用等特征，研究如何有效处理军事文本数据成为亟待解决的问题。命名实体识别(Named Entities Recognition，NER)[1]是文本信息抽取的基础性工作，用于取文本中具有基本语义的实体单元。在军事领域，可以将命名实体分为军事人员、军事保障机构、军事保障设备、军事保障设施、军事装备名称5种类型。

目前，在军事实体识别研究方面，使用深度学习[2]方法成为主流趋势。例如，朱佳晖[3]等人提出双向LSTM和CRF的实体识别框架，实现军事语料文本中的作战相关命名实体的识别和链接，较其他前沿方法在F值上获得了更加优秀的结果。李建龙[4]等人采用双向LSTM模型解决军事领域命名实体识别问题，并增加注意力机制进行模型优化，在军事测试语料集上的测试F值达到了87.38%。王学锋[5]等人结合BiLSTM、字向量以及CRF，构建了character-BiLSTM-CRF实体识别模型，通过实验证明该方法比传统方法的识别准确率、召回率、F值均有大幅度提升。以上军事实体识别方法虽然减轻了人工提取特征的繁琐过程，实体识别准确率也达到了一定的高度，但没有考虑到领域知识对军事实体识别的影响。相较于传统领域的命名实体识别，军事命名实体种类多，且命名实体之间的辨析难度更大，增加领域知识对提高军事实体的识别效果具有重要作用。……