Evaluamos si la construcción de un grafo de conocimiento matemático para un sistema de preguntas y respuestas de conocimiento o un sistema de recomendación de cursos, el Reconocimiento de Entidades Nombradas (NER), es indispensable. La precisión de su reconocimiento afecta directamente el rendimiento real de estas tareas posteriores. Con el fin de mejorar la precisión del reconocimiento de entidades de conocimiento matemático y proporcionar un apoyo efectivo para las funcionalidades posteriores, este documento adopta el último modelo de lenguaje preentrenado, LERT, combinado con una Unidad Recurrente Gated Bidireccional (BiGRU), Redes Neuronales Convolucionales Dilation Iteradas (IDCNNs) y Campos Aleatorios Condicionales (CRFs), para construir el modelo LERT-BiGRU-IDCNN-CRF. Primero, LERT proporciona vectores de palabras relacionados con el contexto, y luego el BiGRU captura tanto información de larga distancia como de corta distancia, el IDCNN recupera información local, y finalmente el CRF se decodifica para producir las etiquetas correspondientes. Los resultados experimentales muestran que la precisión de este modelo al reconocer conceptos matemáticos y entidades de teoremas es del 97.22%, la puntuación de recuperación es del 97.47%, y la puntuación F1 es del 97.34%. Este modelo puede reconocer con precisión las entidades requeridas y, a través de la comparación, este método supera a los modelos de reconocimiento de entidades de última generación actuales.