随着互联网的不断发展,每天在网页上都会产生海量的非结构化文本,这些文本中包含着很多有价值的信息与知识。开放式关系抽取的主要目的是将非结构化文本中的信息与知识转化成结构化的三元组。问答对是网页上一种常见知识文本,经常以客服记录、社区论坛、用户评价和智能问答的形式出现。将问答对中的知识进行抽取和结构化表示,对理解用户语义,构建智能问答系统;构造领域本体,实现大规模知识库等工作有着深远的意义。本文通过对关系抽取相关算法的深入研究,将半监督学习方法Bootstrapping应用在问答对的关系抽取任务中,并针对其中性能不足的模块加以改进。提出基于sentence2vec的句式构造和元组发现方法,提升传统方法中基于规则模板匹配构造方式的性能;结合Bootstrapping算法循环迭代抽取提问模式和实体关系;最终通过sentence2vec技术构造提问模式语义块,生成包括提问模式元组和实体关系元组表示知识。知识元组以知识库形式存储,通过引入面向知识库的表示学习,对其中知识进行计算,验证知识元组的正确性。提出基于改进的KG2E算法筛选元组,提升半监督算法中基于置信度计算的筛选方式性能。算法通过实体关系的高斯分布对知识元组进行向量化表示,并通过KL距离或期望概率计算元组不确定性,在模型训练过程中,结合word2vec与传统算法得到可信负例,提升模型筛选的准确性。最终实验结果显示,相较于传统算法和其他算法,本文的方法得到了更好的准确率和召回率。