1.基于深度神经网络的中文命名实体识别方法，其特征在于，包括：提取待识别序列中的字符及单词，将字符与单词拼接成字符特征向量；

将拼接后的字符特征向量，输入到双向长短词记忆模型网络中，学习上下文信息，得到上下文特征向量；

空洞卷积网络学习上下文特征向量中的语义信息，得到语义特征向量；

将上下文特征向量和语义特征向量拼接，获得融合后的数据特征，自注意力层对数据特征提取长距离依赖，得到注意力重要度特征向量；

条件随机场解码注意力重要度特征向量，获得识别标签。

2.如权利要求1所述的基于深度神经网络的中文命名实体识别方法，其特征在于，所述单词的提取，采用前向匹配和后向匹配相结合的方式识别序列中的单词。

3.如权利要求2所述的基于深度神经网络的中文命名实体识别方法，其特征在于，单词提取时，对获取的待识别序列，以序列的长度为最大长度，从左到右或从右到左进行匹配，找出每个字符在序列中的所有单词，如果没有匹配到，就用0去填充。

4.如权利要求1所述的基于深度神经网络的中文命名实体识别方法，其特征在于，双向长短词记忆模型网络，通过记忆门、遗忘门和输出门学习特征之间的长短期依赖关系，分别采用正向和逆向计算，将得到的正向特征和逆向特征，通过向量拼接的方式得到上下文特征向量。

5.如权利要求1所述的基于深度神经网络的中文命名实体识别方法，其特征在于，空洞卷积网络，用指数级的扩展宽度进行扩张宽度卷积层，完成四次迭代的完整卷积运算，得到语义特征。

6.如权利要求1所述的基于深度神经网络的中文命名实体识别方法，其特征在于，自注意力层，获取融合后的数据特征的Value值、Key值以及查询Query权重矩阵，归一化处理后，通过注意力重要函数得到最终的注意力重要度特征向量。

7.如权利要求1所述的基于深度神经网络的中文命名实体识别方法，其特征在于，得到注意力重要度特征向量之后，与条件随机场设置的状态转移矩阵相加，得到相应的预测分数，通过遍历比较候选集中所有可能的标签的分数，选取最大的分数对应的标签做为最终的识别标签。

8.基于深度神经网络的中文命名实体识别系统，其特征在于：包括单词提取模块、上下文特征提取模块、语义特征提取模块、自注意力模块和标签识别模块；

所述单词提取模块，用于提取待识别序列中的字符及单词，将字符与单词拼接成字符特征向量；

所述上下文特征提取模块，用于将拼接后的字符特征向量，输入到双向长短词记忆模型网络中，学习上下文信息，得到上下文特征向量；

所述语义特征提取模块，用于空洞卷积网络学习上下文特征向量中的语义信息，得到语义特征向量；

所述自注意力模块，用于将上下文特征向量和语义特征向量拼接，获得融合后的数据特征，自注意力层对数据特征提取长距离依赖，得到注意力重要度特征向量；

所述标签识别模块，用于条件随机场解码注意力重要度特征向量，获得识别标签。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7任一项所述的基于深度神经网络的中文命名实体识别方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑7任一项所述的基于深度神经网络的中文命名实体识别方法中的步骤。