命名实体作为自然语言文本的关键语义信息,其识别与分类是目前自然语言处理研究中的重要研究内容。随着深度学习技术在多数语言处理任务上的普遍应用,基于深度神经网络的命名实体识别模型已经取得了较好的性能。而深度神经网络模型的成功往往依赖于规模较大的标注数据。对于使用人数较多且语料资源丰富的语言而言,获取相应的手工标注数据可能相对容易。然而,对于大多数的低资源语言而言,其用于该任务的人工标注数据规模往往较小,甚至可能不存在,且在这些语言上进行人工标注也显得较为困难。针对低资源语言上缺少命名实体识别标注数据的现状,本文的研究主要围绕如何充分地利用资源丰富语言上的手工标注数据,通过跨语言迁移将其迁移到资源稀缺语言上,从而完成低资源语言上的命名实体识别任务。本文主要针对资源稀缺语言的命名实体识别任务中的无监督应用场景,即语言中不存在任何该任务的手工标注数据的情况。围绕该极端应用场景,本文的研究主要包含以下三个方面。(1)研究跨语言投影的无监督命名实体识别方法。针对低资源语言不存在任何标注数据的情况,对于如何利用资源丰富语言上的标注数据,本文通过两种不同的跨语言投影标注方法将高资源语言上的人工标注数据迁移到低资源语言上。在该过程中,双语词对齐与跨语言词向量将被用于实现标注在双语之间的投影。此外,注意力机制将被加入到已有的端到端的命名实体识别框架中,以更好的建模得到待标注句子间词与词的依赖关系。(2)研究面向无监督命名实体识别的跨语言迁移方法。针对跨语言投影过程中得到的标注数据带有噪声的问题,本文提出面向无监督命名实体识别的跨语言迁移模型,以代替已有跨语言投影中的基于规则映射的方法。为了更好地将所提出的跨语言迁移模型应用于低资源语言的命名实体识别任务中,本文采用后验正则框架将跨语言迁移模型作为低资源语言命名实体识别模型的正则项,建立联合训练框架,并基于期望最大化算法迭代训练跨语言迁移模型与低资源命名实体识别模型。从而获得更准确的低资源命名实体识别模型。(3)研究基于双语数据的跨语言无监督命名实体识别方法。针对低资源语言上伪标注数据规模较小的情况,本文提出引入外部双语数据的低资源语言命名实体识别框架。在该框架中,为减少引入无监督双语数据后带来的噪声,本文提出基于词对齐的双语伪标注数据过滤方法。此外,本文还将过滤后的双语伪标注数据引入到联合训练框架中以进一步提升低资源语言的命名实体识别模型的性能。