按隶属层次划分中文组织机构是抽取机构关系和构建机构知识图谱的重要环节,对后续知识挖掘工程有着重要影响,而目前相关研究并没有得到学术界的关注,在中文机构命名实体识别领域内很少被探索。近年来,尽管中文机构命名实体的研究已经有了极大的进步,但是,由于中文机构名的复杂性、随机性和动态变化,使得现阶段研究仍然达不到中文机构细粒度划分的需要。本文主要研究如何准确识别中文组织机构名,按隶属层次解析划分层级结构并提取机构间关系,进而克服中文机构知识图谱构建的瓶颈。本课题主要从中文机构命名实体识别的发展历史和基本方法的研究入手,进而对现阶段的中文机构实体识别以及中文机构名的分级进行探讨。在本文中,我们不但研究了采用不同的传统机器学习方法解决该任务,还研究了如何通过基于深度神经网络的序列标注模型对中文机构名进行准确高效的分级识别。实验结果表明,本文优化后的CNN模型效果优于传统模型(Decision Tree,MLP,Linear SGD,SVM)和改进后的LSTM模型,分级识别准确率高达75.4%。论文的研究内容和创新点主要概括为以下两方面:1、本课题实现了如何在中文机构名识别的基础上做多级(最多10级)机构名称的识别与划分。同时,传统的机构名识别是在普通文本里做的,本任务的数据是限定在地址名录中,没有上下文信息。另外,传统的机构名识别任务比较独立,不考虑机构名之间的关系,本任务需抽取机构间的隶属关系。基于上述考虑,本文提出了中文机构名分级识别方法,包括机构层级划分的标注方法,基于汉字向量的数据集的构建,以及分级标注模型框架的搭建。2、为了准确提炼组织结构层级隶属关系,在层级划分预测中,不仅实验了传统模型(Decision Tree,MLP,Linear SGD,SVM),还采用了现阶段主流深度神经网络模型,首先用深度神经网络将中文机构名表示为低维空间的字向量形式,更高效的代替了传统的人工特征模板,然后采用不同的深度神经网络包括长短时记忆神经网络和卷积神经网络进行序列标注和机构层次类别划分,通过基于NNLM的字向量模型结合深度神经网络解决目标任务。