1.一种命名实体识别方法，其特征在于，包括：将待识别文本信息输入命名实体识别模型中，得到所述命名实体识别模型输出的实体识别结果；

其中，所述命名实体识别模型由样本文本信息及对应的标签序列训练得到；所述文本信息包括：文本词向量序列；

所述命名实体识别模型用于确定所述待识别文本信息对应的待识别文本特征序列和发射分数，基于门控‑条件随机场确定门控系数；基于所述发射分数、所述门控系数和转移分数，确定实体识别结果；

所述门控系数为待识别文本特征序列中上一个时间步与当前时间步的相对预测置信度。

2.根据权利要求1所述的命名实体识别方法，其特征在于，所述命名实体识别模型包括：特征提取层、特征处理层、门控处理层和概率预测层；

所述特征提取层用于确定所述待识别文本词向量序列中各时间步的上下文特征，基于所述各时间步的上下文特征确定所述待识别文本特征序列；

所述特征处理层用于根据所述待识别文本特征序列确定各时间步对应的发射分数；

所述门控处理层用于根据所述待识别文本特征序列确定各个时间步的预测置信度，基于所述各个时间步的预测置信度确定所述门控系数；

所述概率预测层用于根据所述发射分数、所述转移分数和所述门控系数确定所述待识别文本对应的实体标签序列以及对应的概率，作为所述实体识别结果。

3.根据权利要求2所述的命名实体识别方法，其特征在于，所述将待识别文本信息输入命名实体识别模型中，得到所述命名实体识别模型输出的实体识别结果，具体包括：将所述待识别文本词向量序列输入至所述特征提取层中，得到所述特征提取层输出的所述待识别文本特征序列；

将所述待识别文本特征序列输入至所述特征处理层中，得到所述特征处理层输出的所述各时间步对应的发射分数；

将所述待识别文本特征序列输入至所述门控处理层中，得到所述门控处理层输出的所述各个时间步的门控系数；

将所述发射分数、所述转移分数和所述门控系数输入至所述概率预测层中，得到所述概率预测层输出的实体识别结果。

4.根据权利要求2所述的命名实体识别方法，其特征在于，所述门控处理层包括：线性处理层和系数计算层；

所述线性处理层用于将所述待识别文本特征序列中当前时间步和上一时间步的待识别文本特征变换到维度1，并通过Sigmoid激活函数确定当前时间步和上一时间步的预测置信度；

所述系数计算层用于根据所述当前时间步和上一时间步的预测置信度，计算得到当前时间步的门控系数。

5.根据权利要求3所述的命名实体识别方法，其特征在于，所述特征提取层包括：隐藏信息提取层和特征序列确定层；

所述隐藏信息提取层用于确定所述待识别文本词向量序列中各时间步的词向量的前向信息和后向信息，根据前向信息和后向信息确定上下文特征；

所述特征序列确定层用于根据所述各时间步的上下文特征确定所述待识别文本特征序列。

6.根据权利要求1‑5任一项所述的命名实体识别方法，其特征在于，所述文本信息还包括：文本；

对应的，所述命名实体识别模型还包括：文本预处理层；

所述文本预处理层用于处理待识别文本，确定所述待识别文本对应的待识别文本词向量序列。

7.根据权利要求2‑5任一项所述的命名实体识别方法，其特征在于，述命名实体识别模型还包括：识别结果输出层；

所述识别结果输出层用于确定所述实体标签序列中具有最佳输出概率的实体标签序列作为目标实体识别结果。

8.一种命名实体识别系统，其特征在于，包括：文本识别单元，用于将待识别文本信息输入命名实体识别模型中，得到所述命名实体识别模型输出的实体识别结果；

其中，所述命名实体识别模型由样本文本信息及对应的标签序列训练得到；所述文本信息包括：文本词向量序列；

所述命名实体识别模型用于确定所述待识别文本信息对应的待识别文本特征序列和发射分数，基于门控‑条件随机场确定门控系数；基于所述发射分数、所述门控系数和转移分数，确定实体识别结果；

所述门控系数为待识别文本特征序列中上一个时间步与当前时间步的相对预测置信度。

9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一项所述的命名实体识别方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的命名实体识别方法。