随着移动终端的持续普及和网络技术的不断发展,短视频受到越来越多的民众的青睐,而“用短视频来学习”激发了用户对知识类短视频内容的关注度及需求。然而目前知识类短视频在平台中的组织形式比较单一,影响用户体验。而通过知识图谱的形式将其结构化组织起来已成为可能,这不仅为用户提供更好的知识获取体验,同时激发创作者创造优质知识内容,构建良性的知识分享生态。本文的主要研究内容是面向知识类短视频的多模态知识图谱的构建,从海量的短视频入手,通过知识类短视频识别技术从海量的短视频中识别出高质量知识视频内容,基于开源的知识体系通过知识类短视频知识点抽取技术识别出视频知识点,最后通过视频知识点链接技术将其链接到给定的知识体系中,形成体系化的知识类短视频百科知识图谱。本文研究分为以下三个方面:1.知识类短视频的定义与识别。本文首先给出知识类短视频的定义,并提出使用基于预训练模型的知识类短视频识别方法。该方法通过融合短视频中的多模态信息到预训练模型的输入中,并且引入了短视频的主题类别信息以增强短视频的表示。本文还提出使用半监督自训练的方法进行模型训练,充分利用好大量的未标注短视频数据从而提高模型的效果。2.基于开源知识体系的短视频知识点抽取。本文首先给出了知识类短视频知识点定义,并对开源的百科知识树进行预处理得到了知识体系。基于构建好的知识体系,本文提出了基于召回+匹配的知识视频知识点抽取方法,显式的为两阶段模式,并分别进行优化。本文在召回侧增加多路召回以提高召回率,而在匹配侧通过数据增强和知识迁移的方法进一步提高模型的效果。3.基于多任务学习的短视频知识点链接。本文使用了基于多任务学习的知识视频知识点实体链接方法,在传统的实体识别和实体消歧的基础上,增加了实体匹配任务,以增强模型对实体的表示,从而提升模型的效果。本文在公开数据集和视频知识点数据集上进行实验,验证了加入实体匹配任务能够提升实体识别和实体消歧的效果。