现有大型知识库中,实体类型信息的缺失尤为严重,而实体类型又是实体最基础最本质的属性,对很多自然语言处理任务都具有决定性的作用,因此实体分类问题是一个十分重要并亟待解决的问题。实体分类问题旨在确定一个在一段特定文本中的实体的语义类型。近几年将神经网络应用到实体分类任务上是一种趋势,然而众多基于神经网络的分类方法通常只是单独地提取实体本身和其所在文本的特征,忽视了它们之间的内在联系和实体丰富的背景信息。为了尽可能多地利用知识库文本的丰富语义信息,引入上下文实体的概念,提出一种基于神经网络结构的细粒度实体分类模型,对一段文本所描述的目标实体进行分类,得到目标实体的细粒度类型。模型是一种编码器-解码器的结构,编码器从目标实体本身、整段文本、上下文实体、目标实体与上下文实体间的相关性四个方面分别对输入文本进行特征提取,将得到的四个部分的特征向量拼接作为目标实体的编码;解码器通过全连接层将目标实体编码变换成类型分布,进而得到预测的实体类型。采用带有Attention的Bi-LSTM网络对整段文本进行特征提取,采用带有Attention的CNN网络对实体间关系进行特征提取。特点在于,对上下文实体和实体间相关性的特征提取这两部分,将文本中除目标实体之外其他实体单独考虑,并对目标实体与这些实体的相关性建模,从多个角度挖掘文本的特征,从而完善实体编码的过程。通过在FIGER和OwnWiki两个数据集上的实验验证模型的有效性。