隐喻这种表达方式在日常生活以及各场合下使用的语言中频繁出现,同时也是自然语言处理中的一大挑战,若隐喻识别技术无法进步,那自然语言处理领域的发展也会受到限制。而由于A-is-B模式的隐喻句出现情况更加灵活,导致A-is-B模式隐喻识别又是隐喻识别的难点。目前A-is-B模式隐喻识别的研究有以下几个瓶颈:第一,源域词范围更加广泛。A-is-B模式隐喻句中,A和B的范围都非常宽泛。第二,上下文更敏感。同一个A-is-B模型隐喻句在不同的语境下会表现不同的意义。第三,代词的影响。A-is-B模型隐喻句中,A往往是代词,识别隐喻时有必要将代词转化具体的名词或名词短语。第四,死喻的存在,有些源域词因为隐喻意表现太突出,人们在使用过程中已默认该源域词固有该隐喻意,导致源域词成了一个多义词。本文选择汉语文本中的A-is-B模式的隐喻句作为研究对象,针对A-is-B模式隐喻识别难的问题,提出了一种基于LSTM和多特征融合的神经网络分类器方法,实现了对A-is-B模式隐喻句的自动识别。本文主要研究内容如下:(1)A-is-B隐喻句的特征提取。分别使用基于上下位关系库、基于句模、基于类词以及基于Word2Vec相似度的四种方法对句子提取特征。在上下位关系库中,对《同义词词林》中的上下位关系进行了扩充,并且利用递推性对上下位关系进行了排歧;在句模中,提出了非隐喻句模和比喻句模两种句模的匹配方法;在类词中,提出了一种基于种子迭代获取类词的方法,通过对种子内部信息挖掘来扩充类词;在Word2vec中,采用提取尾词的方法,提高相似度判断的合理性。(2)A-is-B隐喻句的分类。采用一种基于LSTM和多特征融合的神经网络分类器算法,该方法用LSTM神经网络对整个句子提取特征,将该特征与本文四种特征提取方法得到的六种特征合并起来,使用全连接神经网络产生最终的分类结果,然后对比标注的真实结果,调整该算法神经网络部分的参数。实验结果表明,与使用SVM分类器和LSTM分类器的方法进行对比,使用基于LSTM和多特征融合的神经网络方法具有更好的正确率和召回率,分别为96.7%和93.1%,但预测一个句子的时间开销更大。根据本文的实验结果分析,改进后的方法取得了良好效果。