随着社会上的信息总量呈指数增长,知识库由于其解决信息过载的能力越发受到关注。知识库以图的结构存储了以实体为节点、以关系为边的结构化信息。实体集合扩展是知识库完善的一项重要任务,该任务关注于实体类别这种节点内的一元结构信息,是知识库完善的重要组成部分。分布表示和神经网络在自然语言处理领域获得了很大成功,而在实体集合扩展方向相关研究还不深入。本文深入研究基于分布表示的实体集合扩展,使用基于分布表示的神经网络模型以及基于弱监督的细粒度实体分类技术,识别句子中的实体所属类别集合。本文主要的研究内容和成果如下:1.本文设计实现了基于多层感知器的实体集合扩展模型,同时实现了基于语义语法特征的模型进行对比,多层感知器模型配合弱监督的实体分布表示,在避免了人工特征的基础上,在召回率上有了更好的表现。2.本文研究设计实现了基于卷积神经网络的实体集合扩展模型,在参数规模减小的情况下捕捉到更多信息,在提高召回率的同时避免了精度的损失,从整体上提升了模型的表现。3.本文设计实现了基于循环神经网络的实体集合扩展模型,模型使用双向的LSTM网络来表示上下文特征,能够更好的表达较长的文本环境特征,同时能够关注于有用的信息避免引入过多噪声,该模型在精度、召回率等各方面表现均超越了其他模型,表明该模型能较好的解决实体集合扩展问题。