文献的关键词检索具有易用性,但由于原有检索结果集中文献的语义和关系的缺失,导致学者仍需对PR（Page Ranking）线性排序的检索结果进行低效率的二次筛选。论文侧重于对学术检索结果集构建文献细粒度语义以及通过细粒度语义定义文献间关系,以此来提高学者二次筛选效率,并将文献细粒度语义模型的实现转化为自然语言处理的实体识别和关系抽取。具体从文献中包含的“所解决的问题和所使用的方法”两个关键信息要素出发,建立问题-方法以及基于此的文献间关系的语义模型,并进一步将文献语义模型映射为文献集展示模型,实现对检索结果文献集的文献知识、文献间语义关系以及PR排序结构的多维度展示,提高学者对检索结果的筛选效率。具体工作包括:1)文献的语义模型和展示模型设计:以问题-方法两个维度描述文献的细粒度语义信息,通过问题-方法、问题-问题和方法-方法的语义关系来表示文献内的语义知识和文献之间的语义关系,因此文献的语义模型能够提供文献集的多粒度、多维度的语义表示;立体化的文献语义模型映射为展示模型,提供多维度、多粒度的文献展示交互图形界面。2)文献语义模型构建:文献的问题-方法模型的构建转化为文献的问题和方法实体识别以及它们之间关系的抽取。针对文献实体识别的特点,提出结合多头自注意力的IDCNNBi LSTM-CRF模型。引入字符级别长序列特征提取方式以解决主流方法对字符级别单词之间信息提取的缺失;使用IDCNN和Bi LSTM串行工作,结合自注意力机制来提取序列的局部上下文与依赖特征,以解决主流方法对长远距离特征与局部特征提取不充分的问题。针对文献实体关系抽取的特点,提出融合句法结构信息的双通道GCN-CNN-Bi LSTM-ATT模型。引入GCN来提取序列句法结构特征以解决传统方法对句法结构信息的忽略问题;并行使用CNN与Bi LSTM对一般性输入进行局部信息与长距离依赖信息特征的提取。最终两个模型在数据集Science IE上F1值相对主流方法分别提高了0.8%和0.4%。3)系统原型设计与实现:基于上述工作,论文构建了代理其他学术文献检索引擎并进行检索结果多维度展示的学术代理检索系统,并对系统的检索代理模块、知识抽取模块和可视化模块进行了测试,并最终对整个系统进行了集成测试,测试结果表明该系统可满足学者的检索和可视化需求。