大数据时代,数据量爆炸式增长,互联网中繁杂的知识却难以被很好利用。为了更好地组织管理知识,提升对互联网信息的理解能力,知识图谱应运而生,目前已被广泛应用于信息检索、问答推荐等领域。随着自动抽取知识的研究日渐成熟,越来越多的大规模知识图谱被建立,然而网络中各种来源的知识质量参差不齐,自动构建算法对相似实体及关系的区分能力有限,知识图谱不可避免地被引入噪声,清洗工作不可或缺。为了突破传统自动清洗方法受样本限制的瓶颈,得益于近年来众包技术的成熟,半自动化的清洗方法开始涌现。本文聚焦于融合机器及众包两者的优势,开展人机结合的知识图谱清洗研究,提出两种有效的清洗思路。本文的主要成果如下:首先,本文提出基于知识聚类的人在回路的错误检测模型（Knowledge Clustering based Human-in-the-loop Error Detection,KCHED）。考虑到三元组的错误检测工作等同于分类问题,为了弥补分类器训练样本缺失的不足,本文通过搭建人在回路的清洗框架,由众包辅助生成可靠的补充样本,用以循环提升分类器的效果。同时,该模型挖掘知识图谱内部丰富的类别及语义信息,量化三元组间的关联程度,通过设计有效的图模型完成三元组聚类,为众包任务的选择提供依据。其次,为了更进一步提升错误检测的质量,本文提出基于偏序及三元组置信度的错误检测模型（Partial Order and Triple Trustworthiness based Error Detection,POTTED）。针对KCHED模型训练高质量分类器仍受训练样本制约的问题,选择将三元组的错误检测工作重心转由众包完成。鉴于三元组在多个层面的置信度上均具有大小可比关系,以此为依据构建有效的偏序图模型,并设计合理的众包任务选择算法,在人工验证少量三元组的前提下,即可依据偏序关系推理更多三元组的正误。最后,以目前在知识图谱清洗研究中主流方法为基准,在公开数据集上分别对所提出的两个模型进行对比实验并分析结果。KCHED模型因采样时选择更为可靠的来源于待清洗知识图谱中的样本,同时量化三元组的关联度,并引入众包参与验证,取得了比现有方法更好的检测效果;POTTED模型进一步发挥机器与众包的优势,从多个角度评估三元组置信度的同时,以偏序图为基础加快众包检错工作,清洗质量得到进一步提升。