自然语言作为人类最重要的交际工具,是人类进行沟通交流的最主要表达方式。自然语言处理是指用计算机对语言信息进行处理的方法和技术,中文分词是中文自然语言处理的基础。分词质量的好坏直接影响之后的自然语言处理任务。目前主流的方法是基于序列标注的传统机器学习模型。近年来,随着人工智能大潮的又一次兴起,长短期记忆(LSTM)神经网络模型改进了普通循环神经网络模型长期依赖局限性的缺点,被广泛应用于自然语言处理的各种任务中并取得了不错的效果。在中文分词任务上,我们在经典双向LSTM模型上加以改进,并引入了贡献率?,对前传LSTM层和后传LSTM层的权重矩阵进行调节,除了改进了单向LSTM对后文依赖性不足的缺点,又把前后文对分词的贡献不同加以建模。双向LSTM-CRF神经网络模型使用双向长短期记忆神经网络层捕捉序列的前后文信息,并使用链式条件随机场对输出序列进行预测,被广泛应用于自然语言处理的各种任务中并取得了不错的效果。本文首先构建了基于双向LSTMN-CRF神经网络模型的中文分词模型,并引入基于注意力机制的LSTMN单元替代双向LSTM-CRF神经网络模型中的LSTM单元。新模型解决了原模型在编码过程中“记忆压缩”的问题。